1

ANALISIS POLA PEMBELIAN KONSUMEN DENGAN ALGORITMA

APRIORI PADA APOTEK RAHAYU JEPARA

Riangga Duta Jayapana, Yuniarsi Rahayu

Fakultas Ilmu Komputer Program Studi Teknik Informatika – Universitas Dian Nuswantoro Semarang,
Jl. Nakula I No. 5-11, Jawa Tengah 50131, Indonesia
Email : rianggaduta37@gmail.com, yuniarsi.rahayu@dsn.dinus.ac.id

A pharmacy must have a sales transaction data. Daily sales transaction data will lead to accumulation of data, because the number
of sales transactions that occur every day. To increase sales, then a pharmacy should have important information to improve the
sales, one way is to process data transactions that accumulate into a useful information. Therefore, we need an application that is
able to pick and choose the data, in order to obtain useful information for the owner of pharmacy. The information obtained can
be used as a reference for the owner of a pharmacy in improving the sales. This study utilizes the sales transaction data from
January through the month of March 2015, so the data retrieved is still new primary data. After getting the sales transaction data,
the data is processed by the establishment of the Rule Associate / association rules based on the number of occurrences of items in
each transaction, in order to obtain any drug items that are often purchased by the customer. With the application of association
analysis or Associate Rule in this study, expected to be found the rules of the association between a combination of items, so we
get a knowledge of the application of the concept of mining association analysis through searching the support and confidence in
the formation of frequent itemset on the sale of medicine in Rahayu Jepara pharmacies.

Index Terms - Associate Rule, Pharmacy, frequent itemset

keadaan yang sebenarnya (sebab-musabab, duduk
perkaranya, dsb).
I. P ENDAHULUAN1
2.2 Pola Beli Konsumen
Sebuah apotek atau toko-toko yang menjual barang Pola beli konsumen terdiri dari tiga kata yaitu pola, beli,
daganganya pasti mempunyai data transaksi penjualan. Data dan konsumen. Pola memiliki arti yaitu bentuk, beli dari
transaksi penjualan sehari hari akan menimbulkan kata dasar pembelian yaitu memperoleh sesuatu melalui
penumpukan data, karena banyaknya transaksi penjualan penukaran dengan uang, dan konsumen yaitu pemakai
yang terjadi setiap harinya. Untuk meningkatkan penjualan, barang hasil produksi, maka pola beli konsumen adalah
maka sebuah apotek harus memiliki informasi penting dalam bentuk pembelian menggunakan uang yang dilakukan
meningkatkan penjualanya, salah satu caranya adalah oleh seseorang untuk mendapatkan barang yang
mengolah data transaksi yang menumpuk menjadi sebuah diinginkan.
informasi yang berguna. Informasi yang berguna tersebut 2.3 Data Mining
dapat dimanfaatkan untuk membuat sebuah kebijakan bisnis, Data mining adalah proses mencari pola atau informasi
yaitu dengan menerapkan informasi tesebut menjadi sebuah menarik dalam data terpilih dengan menggunakan teknik
strategi bisnis. Sebuah apotek pasti memerlukan strategi atau metode tertentu. Teknik, metode, atau algoritma
bisnis untuk mengembangkan bisnisnya. Dibidang bisnis, dalam data mining sangat bervariasi. Pemilihan metode
misalnya hasil implementasi data mining algoritma Apriori atau algoritma yang tepat sangat bergantung pada tujuan
dapat membantu para pembisnis dalam pengambilan dan proses KDD secara keseluruhan.
keputusan terhadap apa yang berhubungan dengan 2.4 Algoritma Apriori
presediaan barang [1]. Algoritma Apriori termasuk jenis aturan asosiasi pada
Penelitian ini memanfaatkan transaksi penjualan dari data mining. Aturan yang menyatakan asosiasi antara
bulan januari sampai bulan Maret tahun 2015, jadi data yang beberapa atribut sering disebut affinity analysis atau
diambil merupakan data primer yang masih baru. Setelah market basket analysis. Analisis asosiasi atau associated
mendapatkan data transaksi penjualan, data tersebut diolah rule mining adalah teknik data mining untuk menemukan
dengan melakukan pembentukan Associate Rule / aturan aturan asosiatif antara suatu kombinasi item. Karena
asosiasi berdasarkan jumlah kemunculan item dalam setiap analisis asosiasi menjadi terkenal karena aplikasinya
transaksi, sehingga diperoleh item obat-obatan apa saja yang untuk menganalisis isi keranjang belanja di pasar
sering dibeli oleh customer. swalayan, analisis asosiasi juga sering disebut market
basket analysis.
II. LANDASAN TEORI Aturan asosiasi biasanya dinyatakan dalam bentuk :
2.1 Analisis {teh, gula} {roti} (support = 40%, confidence = 50%)
Analisis atau analysis adalah penyelidikan terhadap suatu Aturan tersebut berarti “50%” dari transaksi di database
peristiwa (karangan, perbuatan, dsb) untuk mengetahui yang memuat item teh dan gula juga memuat item roti.
 2

Sedangkan 40% dari seluruh transaksi yang ada di pengumpulan, pola pertalian, pola struktur sebab akibat
database memuat ketiga item tersebut. dari kumpulan atau obyek dalam basis data transaksi,
Analisis asosiasi didefinisakan suatu proses untuk relasi basis data, dan informasi pendukung lainya
menemukan semua aturan asosiasi yang memenuhi (Sander, 2004). Pemodelan lokal merupakan salah satu
syarat minimum untuk support (minimum support) dan metode yang dipakai dalam data mining atau Dependency
syarat minimum untuk confidence (minimum Modelling. Tujuan utama association rule adalah untuk
confidence). menemukan suatu hubungan yang penting dan menarik
Metodologi dasar analisis asosiasi terbagi menjadi dua dari sebuah kumpulan data.
tahap :
1. Analisis Pola Frekuensi Tinggi III. METODOLOGI P ENELITIAN
2. Pembentukan Aturan Asosiasi 3.1 Objek Penelitian
2.4.1 Analisis Pola Frekuensi Tinggi Pada penelitian ini objek yang di ambil adalah sebuah
Tahap ini mencari kombinasi item yang memenuhi
apotek di Kota Jepara. Apotek tersebut bernama Apotek
syarat minimum dari nilai support dalam database. Nilai
Rahayu, dengan mengambil data transaksi penjualan obat
support sebuah item diperoleh dengan rumus berikut :
ℎ periode bulan Januari sampai dengan Maret tahun 2015.
( )=
...[1] 3.2 Jenis dan Metode Pengumpulan Data
Pada rumus 1 menjelaskan bahwa nilai support diperoleh 3.2.1 Jenis Data
dengan cara mencari jumlah transaksi yang mengandung a. Data Primer
item A dibagi dengan jumlah seluruh transaksi. Data primer adalah data yang diperoleh secara
Sementara itu, nilai support dari 2 item diperoleh dari langsung dari sumbernya melalui teknik
rumus 2 berikut ini : wawancara. Cara pengumpulan data primer dapat
( , ) dilakukan dengan wawancara langsung dengan
ℎ pimpinan atau bagian yang menangani langsung
=
permasalahan atau dapat berupa pengamatan
...[2] kegiatan sehari-hari suatu objek yang diteliti.
Pada rumus 2 menjelaskan bahwa nilai support diperoleh Hasilnya dapat berupa data yang dibutuhkan atau
dengan cara mencari jumlah transaksi yang mengandung data yang diharapkan untuk melakukan sebuah
item A dan item B (item pertama bersama dengan item penelitian, seperti data penjualan berbagai macam
yang lain) dibagi dengan jumlah keseluruhan transaksi. obat dalam periode tertentu yang nantinya akan
2.4.2 Pembentukan Aturan Asosiasi digunakan sebagai bahan untuk analisis data
Setelah semua pola frekuensi tinggi ditemukan, mining.
barulah dicari aturan asosiasi yang memenuhi syarat
b. Data Sekunder
minimum untuk confidence dengan menghitung
Data sekunder adalah salah satu data yang
confidence aturan asosiatif A  B. Nilai confidence dari
aturan A  B diperoleh dari rumus berikut : digunakan dalam sebuah penelitian. Data
( | ) sekunder didapatkan dari pustaka-pustaka yang
ℎ relevan dengan penelitian yang dilakukan, yaitu
= seperti literatur tentang data mining dari buku
ℎ
...[3] “Algoritma Data Mining” oleh Kusrini dan Emha
Taufiq Lutfi atau literatur lain seperti jurnal “Safar
2.5 Obat Riduan Pasaribu, “sistem pendukung keputusan
Obat adalah bahan untuk mengurangi, menghilangkan analisa pola penjualan barang dengan algoritma
penyakit, atau menyembuhkan seseorang dari penyakit. apriori (Studi kasus : Lucky Swalayan)”, vol. 6,
2.6 Apotek no. 2, pp. 119-123, 2014.”
Apotek adalah suatu tempat tertentu, dimana tempat 3.2.2 Metode Pengumpulan Data
tersebut melakukan pekerjaan kefarmasian penyaluran Data-data yang penulis cantumkan disini
perbekalan farmasi kepada masyarakat. Yang dimaksud merupakan data-data yang terdapat dari berbagai
pekerjaan kefarmasian diantaranya adalah pengadaan macam media seperti buku, jurnal, internet,
obat, peracikan obat, penyimpanan obat, penyaluran dan survey dll. Semua data dan literatur tersebut
penyerahan perbekalan farmasi, serta memberikan berguna untuk memperkuat bahan guna untuk
informasi kepada masyarakat mengenai perbekalan representasi teori. Data-data tersebut terdapat
kefarmasian yang terdiri dari obat, bahan obat, obat pada berbagai media, seperti dibawah ini :
tradisional, alat-alat kesehatan dan kosmetik. a. Studi Pustaka
Metode pengumpulan data dengan studi
2.7 Association Rule kepustakaan ini dilakukan dengan mempelajari
Association rule adalah salah satu teknik dalam data
jurnal, dan buku-buku literatur yang
mining untuk menemukan pola kemunculan, pola
berhubungan dengan masalah aplikasi data
 3

mining seperti jurnal “Safar Riduan Pasaribu, diolah oleh aplikasi WEKA.
“sistem pendukung keputusan analisa pola 4. Data Mining
penjualan barang dengan algoritma apriori Tahap ini bertujuan untuk mendapatkan pola dari
(Studi kasus : Lucky Swalayan)”, vol. 6, no. 2, ektraksi data transaksi yang sudah ditransformasi ke
pp. 119-123, 2014”. Beserta sumber-sumber file ARFF dengan menerapkan algoritma apriori.
lain guna untuk mendukung terselesainya Tugas 5. Interpretation Data
Akhir Penulis. Pola kombinasi antar item yang telah diidentifikasi
b. Wawancara oleh bantuan aplikasi kemudian diterjemahkan atau
Wawancara merupakan salah satu jenis diinterpretasikan kedalam bentuk yang bisa
pengumpulan data yang dilakukan dengan cara dimengerti manusia untuk membantu dalam
tanya jawab antara narasumber dengan perencanaan kebijakan bisnis pada Apotek Rahayu
pewawancara mengenai sumber-sumber data Jepara.
yang dibutuhkan. Maksud dari wawancara dari
penelitian ini adalah untuk mendapatkan dan
memperluas data maupun informasi yang IV. ANALISA & PEMBAHASAN
diperoleh dari orang-orang lain atau Sumber data utama pada penelitian ini berasal dari 3
narasumber. bulan transaksi, yaitu pada bulan Januari sampai bulan Maret
c. Survey tahun 2015 pada Apotek Rahayu Jepara. Data tersebut
Survey merupakan salah satu teknik untuk kemudian akan diproses untuk menghasilkan pengetahuan
mengumpulkan data yang diperlukan dalam berupa pola kombinasi item yang bertujuan untuk
melakukan penelitian. Survey sendiri mengetahui pola beli konsumen terhadap beberapa produk
mempunyai arti yaitu mendatangi tempat yang obat yang nantinya berguna bagi pemilik apotek untuk
akan digunakan sebagai objek penelitian. Dalam membuat sebuah kebijakan bisnis.
hal ini penulis melakukan survey di Apotek 4.1 Penyeleksi Data
Rahayu Jepara. Adapun hasil dari survey adalah
Dalam buku transaksi yang didapat terdapat
mendapatkan data transaksi penjualan obat
berbagai macam transaksi penjualan obat, dan adapun
periode bulan Januari sampai dengan Februari
data yang tidak terpakai atau data yang tidak berguna
tahun 2015.
bagi penulis yakni data transaksi tunggal artinya
d. Pengamatan transaksi pembelian 1 item obat. Adapaun beberapa
Sebagai metode ilmiah observasi dapat Kategori item obat yang berguna bagi penulis dalam
diartikan sebagai pengamatan. Jadi observasi membuat sebuah penelitian, antara lain :
merupakan suatu penyelidikan yang dilakukan 1. Obat Alergi : Dexa, Metyl, Zoloral,
secara sistematik dan sengaja dilakukan dengan Paramex
menggunakan alat indera terutama mata 2. Obat Radang : Opistan, Poncofen,
terhadap kejadian yang sedang berlangsung. Fenamin, Renadinac
Dalam penelitian ini penulis melakukan 3. Obat Infeksi : Danason, Troviacol,
pengamatan terhadap objek data dengan tujuan Amoxcilin, Kalpanak
mendapatkan korelasi antara persediaan barang 4. Obat Asam Urat : Elithris, Kalmet,
dengan kebutuhan. Ponuric, Voltadex, Pirocam
5. Obat Asma : Allopurinol, Alofar
300, Fevrin
3.3 Tahapan Penelitian
1. Pengumpulan Data 4.2 Transformasi Data
Data yang diterima oleh peneliti adalah data Transformasi data sangat penting dalam mengolah
transaksi penjualan obat dalam periode 3 bulan, data transaksi menggunakan Aplikasi, karena data
yaitu pada bulan Januari sampai bulan Maret 2015. transaksi yang didapat oleh penulis yaitu berupa buku
Data yang diolah pada penelitian ini sebanyak 110 transaksi. Contoh data transaksi tersebut seperti
data transaksi penjualan obat. berikut :
2. Penyeleksian Data Avarin
Dari data yang sudah didapat oleh peneliti,
kemudian dilakukan proses seleksi data, yakni Dexa 1 Transaksi
dengan memilih dan memisahkan data transaksi
berdasarkan jenis obat. Troviacol
3. Transformasi Data
Transformasi data adalah mengubah data transaksi Kalmet 1 Transaksi
penjualan yang didapat peneliti berupa buku
transaksi menjadi file ARFF, yaitu file yang bisa
 4

Dexa Gambar 2 : GUI WEKA

1 Transaksi Gambar 2 diatas adalah tampilan utama palikasi
Elithris WEKA. Untuk menguji menggunakan aplikasi tersebut
Untuk mengolah data transaksi menggunakan klik menu explore, yang terlihat pada gambar 3
WEKA pertama-tama data tersebut diubah kedalam dibawah ini :
bentuk file dataset berekstensi .ARFF. Karena Aplikasi
yang digunakan penulis hanya bisa mengolah data
transaksi yang mempunyai tipe jenis file .ARFF. Proses
transformasi ini adalah jika item yang tidak dibeli maka
diganti dengan tanda tanya (?). Jika item yang dibeli
maka tidak diganti atau tetap.
Berikut ini adalah database apotek dengan data
transaksi sebanyak 110 data yang diubah dalam bentuk
ARFF yang terlihat pada gambar 1 dibawah ini :

Gambar 3 : Halaman Explorer

Setelah gambar 3 muncul kemudian pilih dataset yang
ingin dimasukan dengan cara klik open file yang
terdapat pada menu WEKA, data yang berhasil
diinputkan seperti gambar 4 dibawah ini :

Gambar 4 : Dataset
Dari gambar 4 diatas, maka selanjutnya dapat
dilakukan pengolahan data dengan pilih menu associate
kemudian pastikan algoritma yang dipilih adalah
apriori, kemudian klik start maka data yang berhasil
Gambar 1 : Dataset ARFF diolah akan nampak seperti gambar 5 dibawah ini :
4.3 Pengolahan Data
Untuk mengolah data – data transaksi yang telah diubah
menjadi database arff membutuhkan aplikasi. Aplikasi
yang digunakan yaitu aplikasi WEKA sebagai berikut:

Gambar 5 : Hasil Pengolahan Data

 5

4.4 Hasil Analisis 6. Jika membeli obat avarin dan dexa maka
1. Jika membeli obat avarin maka kemungkinan kemungkinan konsumen akan membeli obat troviacol yang
konsumen akan membeli obat dexa yang mempunyai nilai mempunyai nilai Confidence sebesar 1 yang artinya bahwa
Confidence sebesar 1 yang artinya bahwa tingkat kepastian tingkat kepastian konsumen membeli obat avarin dan dexa
konsumen membeli avarin dan dexa bernilai 1 yang artinya bersamaan dengan obat troviacol bernilai 1. Maka pola
bahwa obat avarin dan obat dexa adalah obat yang paling pembelian konsumen yang membeli obat avarin dan dexa
dibeli oleh konsumen pada periode bulan Januari sampai bersamaan dengan obat troviacol memiliki frekuensi yang
bulan Maret 2015. tinggi yaitu mempunyai nilai confidence 1 dari seluruh
2. Jika membeli obat avarin maka kemungkinan transaksi yang artinya bahwa pembelian obat avarin dan
konsumen akan membeli obat troviacol yang mempunyai dexa bersamaan dengan obat troviacol adalah kombinasi
nilai Confidence sebesar 1 yang artinya bahwa tingkat obat yang sering dibeli keenam setelah pembelian obat
kepastian konsumen membeli avarin dan troviacol bernilai dexa dan avarin bersamaan dengan obat troviacol oleh
1. Artinya bahwa obat avarin dan obat troviacol adalah obat konsumen pada periode bulan Januari sampai bulan Maret
yang paling dibeli kedua setelah avarin dan dexa oleh 2015.
konsumen pada periode bulan Januari sampai bulan Maret 7. Jika membeli obat troviacol maka kemungkinan
2015. konsumen akan membeli obat dexa yang mempunyai nilai
3. Jika membeli obat avarin dan troviacol maka Confidence sebesar 0.67 yang artinya bahwa tingkat
kemungkinan konsumen akan membeli obat dexa yang kepastian konsumen membeli troviacol bersamaan dengan
mempunyai nilai Confidence sebesar 1 yang artinya bahwa obat dexa bernilai 0.67 yang artinya bahwa tingkat
tingkat kepastian konsumen membeli obat avarin dan kepastian konsumen membeli obat troviacol bersamaan
troviacol bersamaan dengan obat dexa bernilai 1. Maka membeli obat dexa adalah kombinasi obat yang jarang
pola pembelian konsumen yang membeli obat avarin dan dibeli oleh konsumen pada periode bulan Januari sampai
troviacol bersamaan dengan obat dexa memiliki frekuensi bulan Maret 2015.
yang tinggi yaitu mempunyai nilai confidence 1 dari 8. Jika membeli obat troviacol maka kemungkinan
seluruh transaksi yang artinya bahwa pembelian obat konsumen akan membeli obat avarin yang mempunyai
avarin dan troviacol bersamaan dengan obat dexa adalah nilai Confidence sebesar 0.67 yang artinya bahwa tingkat
kombinasi obat yang sering dibeli ketiga setelah pembelian kepastian konsumen membeli troviacol bersamaan dengan
obat avarin dan troviacol oleh konsumen pada periode obat avarin bernilai 0.67 yang artinya bahwa tingkat
bulan Januari sampai bulan Maret 2015. kepastian konsumen membeli obat troviacol bersamaan
4. Jika membeli obat dexa dan troviacol maka membeli obat avarina adalah kombinasi obat yang jarang
kemungkinan konsumen akan membeli obat avarin yang dibeli oleh konsumen pada periode bulan Januari sampai
mempunyai nilai Confidence sebesar 1 yang artinya bahwa bulan Maret 2015.
tingkat kepastian konsumen membeli obat dexa dan 9. Jika membeli obat troviacol dan obat dexa maka
troviacol bersamaan dengan obat avarin bernilai 1. Maka kemungkinan konsumen akan membeli obat avarin yang
pola pembelian konsumen yang membeli obat dexa dan mempunyai nilai Confidence sebesar 0.67 yang artinya
troviacol bersamaan dengan obat avarin memiliki frekuensi bahwa tingkat kepastian konsumen membeli obat troviacol
yang tinggi yaitu mempunyai nilai confidence 1 dari dan obat dexa bersamaan dengan obat avarin bernilai 0.67
seluruh transaksi yang artinya bahwa pembelian obat dexa yang artinya bahwa tingkat kepastian konsumen membeli
dan troviacol bersamaan dengan obat avarin adalah obat troviacol dan obat dexa bersamaan membeli obat
kombinasi obat yang sering dibeli keempat setelah avarin adalah kombinasi obat yang jarang dibeli oleh
pembelian obat avarin dan troviacol bersamaan dengan konsumen pada periode bulan Januari sampai bulan Maret
obat dexa oleh konsumen pada periode bulan Januari 2015.
sampai bulan Maret 2015. 10. Jika membeli obat dexa maka kemungkinan
5. Jika membeli obat dexa dan avarin maka konsumen akan membeli obat avarin yang mempunyai
kemungkinan konsumen akan membeli obat troviacol yang nilai Confidence sebesar 0.5 yang artinya bahwa tingkat
mempunyai nilai Confidence sebesar 1 yang artinya bahwa kepastian konsumen membeli obat dexa bersamaan dengan
tingkat kepastian konsumen membeli obat dexa dan avarin obat avarin bernilai 0.5 yang artinya bahwa tingkat
bersamaan dengan obat troviacol bernilai 1. Maka pola kepastian konsumen membeli obat dexa bersamaan
pembelian konsumen yang membeli obat dexa dan avarin membeli obat avarin adalah kombinasi obat yang jarang
bersamaan dengan obat troviacol memiliki frekuensi yang sekali dibeli oleh konsumen pada periode bulan Januari
tinggi yaitu mempunyai nilai confidence 1 dari seluruh sampai bulan Maret 2015.
transaksi yang artinya bahwa pembelian obat dexa dan
avarin bersamaan dengan obat troviacol adalah kombinasi V. KESIMPULAN DAN SARAN
obat yang sering dibeli kelima setelah pembelian obat dexa 5.1 Kesimpulan
dan troviacol bersamaan dengan obat avarin oleh Berdasarkan analisa dan pembahasan yang telah
konsumen pada periode bulan Januari sampai bulan Maret penulis buat, maka penulis dapat menarik beberapa
2015.
 6

kesimpulan yang diperoleh dari pembahasan tersebut,

antara lain :
1. Untuk melakukan analisis data transaksi penjualan
dapat menggunakan data mining dengan algoritma
apriori.
2. Pengolahan dataset apotek Rahayu Jepara
menggunakan WEKA dapat menghasilkan pola
frekuensi tinggi yaitu 2 itemset maupun 3 itemset,
pola frekuensi tinggi 2 itemset yang didapat yaitu
“jika membeli obat avarin maka membeli obat
dexa”. Dan pola transaksi 3 itemset yang didapat
yaitu “Jika membeli avarin dan troviacol maka
membeli obat dexa”.

REFERENCES
[1] Mata Toledo, Pailine K Cushman, Ramon A, Dasar-dasar Database
Ralasional, Jakarta: Erlangga, 2012.
[2] Safar Riduan Pasaribu, “sistem pendukung keputusan analisa pola
penjualan barang dengan algoritma apriori (Studi kasus : Lucky
Swalayan)”, vol. 6, no. 2, pp. 119-123, 2014.
[3] Beni R. Siburian, “Aplikasi Data Mining Untuk Menampilkan Tingkat
Kelulusan Mahasiswa Dengan Algoritma Apriori,” Benni Siburian,
vol. 2, no. 2301-9425, pp. 56-61, 2014.
[4] Dewi Kartika Pane, “Implementasi Data Mining Pada Penjualan
Produk Elektronik Dengan Algortima Apriori,” Pelita Informatika
Budi Dharma, vol. 3, no. 2301-9425, pp. 25-29, 2013.
[5] Denny Haryanto, “Implementasi Analisis Keranjang Belanja Dengan
Aturan Aosiasi Menggunakan Algoritma Apriori Pada Penjualan Suku
Cadang Motor,” Univ Kristen Duta Wacana, vol. 2, no. 2, pp. 80-94,
2014.
[6] Fusna Failasufa, “Implmentasi Analisis Pola Pembelian Konsumen
dengan algoritma apriori pada Data Transaksi Penjualan studi kasus
pada Pamella Supermarket, vol. 3, no. 102, 2014.
[7] Almon Junior Simanjuntak, “Apliksai Data Mining untuk Pemodelan
Pembelian Barang Menggunakan Algoritma Apriori, 2013.
[8] Academia.Available:(http://www.academia.edu/1178646/Penerapan_
Association_Rule_Dengan_Algoritma_Apriori). [accessed 12 Januari
2015]