PENERAPAN METODE ASSOCIATION RULE DENGAN ALGORITMA FP-GROWTH DAN PREDIKSI DENGAN ARTIFICIAL NEURAL NETWORK UNTUK PERSEDIAAN SPAREPART

APPLICATION OF ASSOCIATION RULE METHOD WITH FP-GROWTH ALGORITHM AND PREDICTION WITH ARTIFICIAL NEURAL NETWORK FOR SPAREPART INVENTORY

  Untuk memaksimalkan pelayanan pada jumlah persediaan sparepart di perusahaan, maka diperlukan suatu teknik data mining dengan pemanfaatan data transaksi penjualan. Data transaksi pada Auto2000 Wiyung hanya digunakan untuk mengetahui keuntungan perusahaan, padahal data tersebut dapat dijadikan sebagai pengetahuan baru dalam menentukan persediaan. Pada penelitian ini data akan diolah dengan menggunakan metode association rule dan prediksi dengan Artificial Neural Network untuk menemukan pola pembelian dan memprediksi jumlah pembelian berdasarkan data transaksi penjualan sparepart.

  Dengan menerapkan metode Association Rule menggunakan algoritma Fp-Growth diperoleh 4 association rule dengan nilai confidence diatas 70%. Pola asosiasi yang diperoleh kemudian diprediksi dengan Artificial Neural Network menggunakan algoritma backpropagation. Percobaan trial error menggunakan perubahan hidden layer mulai dari 1-10 dengan lima jenis learning rate yaitu 0.01, 0.02, 0.001, 0.002, dan 0.003.  Prediksi model ANN pada rule ke-1 menghasilkan MAPE sebesar 13.620% dan akurasi sebesar 86.38% dengan arsitektur 3-7-1, pada rule ke-2 menghasilkan MAPE sebesar 5.960% dan akurasi sebesar 94.04% dengan arsitektur 3-1-1, pada rule ke-3 menghasilkan MAPE sebesar 9.924% dan akurasi sebesar 90.076% dengan arsitektur 3-3-1, dan pada rule ke-4 menghasilkan MAPE sebesar 8.874% dan akurasi sebesar 91.126% dengan arsitektur 3-6-1.

Kata Kunci: Association Rule, FP-Growth, ANN, Backpropagation

  To maximize service on the number of spare parts inventory in the company, a data mining technique is needed with the use of sales transaction data. Transaction data on Auto2000 Wiyung is only used to determine the company's profit, even though the data can be used as new knowledge in determining inventory. In this study, the data will be processed using the association rule method and predictions with Artificial Neural Networks to find purchasing patterns and predict the number of purchases based on spare parts sales transaction data.

    By applying the Association Rule method using the Fp-Growth algorithm, 4 association rules are obtained with a confidence value above 70%. The association pattern obtained is then predicted with an Artificial Neural Network using the backpropagation algorithm. Trial error experiments using hidden layer changes ranging from 1-10 with five types of learning rates, namely 0.01, 0.02, 0.001, 0.002, and 0.003. The prediction of the ANN model in the 1st rule produces a MAPE of 13.620% and an accuracy of 86.38% with a 3-7-1 architecture, in the second rule it produces a MAPE of 5.960% and an accuracy of 94.04% with a 3-1-1 architecture. the third rule produces a MAPE of 9.924% and an accuracy of 90.076% with a 3-3-1 architecture, and the fourth rule produces a MAPE of 8.874% and an accuracy of 91.126% with a 3-6-1 architecture.

Keywords: Association Rule, FP-Growth, ANN, Backpropagation