IMPLEMENTASI DATA MINING UNTUK MENGANALISIS POLA PENIMBANGAN SAMPAH MENGGUNAKAN ALGORITMA APRIORI (STUDI KASUS: BANK SAMPAH PANDAN WANGI)

Mohammad Aushofi; irwansyah;

ABSTRAK

Implementasi Data Mining untuk Menganalisis Pola Penimbangan Sampah Menggunakan Algoritma Apriori (Studi Kasus: Bank Sampah Pandan Wangi)

Mohammad Aushofi

Data transaksi penimbangan Bank Sampah Pandan Wangi belum digunakan secara maksimal dan
tidak digunakan untuk kepentingan lebih lanjut. Bank Sampah Pandan Wangi menerima 42 jenis
sampah dari masyarakat, tetapi tidak memiliki informasi tentang pola penimbangan sampah yang
disetorkan oleh masyarakat. Oleh karena itu, pengelola kadang mengalami kesulitan dalam
merencanakan penyimpanan dan pengelolaan yang lebih baik. Penelitian ini bertujuan untuk
menganalisis pola penimbangan sampah berdasarkan data transaksi penimbangan guna
mengidentifikasi perilaku penimbangan nasabah, menemukan jenis-jenis sampah yang sering
ditimbang secara bersamaan, serta mengetahui nilai support, confidence, dan lift ratio dari setiap
aturan asosiasi yang dihasilkan. Teknik yang digunakan adalah metode kuantitatif dan untuk
mengolah data transaksi penimbangan tersebut menjadi informasi dengan menggunakan data
mining algoritma apriori. Dari 866 data penimbangan selama dua tahun dari bulan Mei 2022 sampai
Maret 2024, penelitian ini menghasilkan empat aturan yang memiliki nilai lift ratio yang baik
dengan nilai minimum support 0,1 dan minimum confidence 0,8. Jenis sampah yang paling sering
ditimbang adalah jenis ember campur dengan nilai support 69,9% atau dari 866 data penimbangan,
jenis sampah ember campur muncul sebanyak 605 kali. Kemudian untuk jenis sampah yang paling
sering ditimbang secara bersamaan adalah jika menimbang sampah jenis boncos, dan botol mineral
bersih, maka juga menimbang jenis ember campur dengan nilai support 0,11 dan confidence 0,87.
banyak orang mengumpulkan dan membawa sampah jenis boncos dan botol mineral bersih,
biasanya mereka juga membawa ember campur.

Kata Kunci: Algoritma Apriori, Association Rules, Bank Sampah, Data Mining, Pola Penimbangan

Implementation of Data Mining to Analyze Waste Weighing Patterns Using the Apriori Algorithm (Case Study: Waste Bank Pandan Wangi)

Mohammad Aushofi

Pandan Wangi Waste Bank's weighing transaction data has not been maximized and is not used for
further purposes. Pandan Wangi Waste Bank receives 42 types of waste from the community, but
has no information about the weighing pattern of the waste deposited by the community. Therefore,
managers sometimes have difficulty in planning better storage and management. This study aims to
analyze waste weighing patterns based on weighing transaction data to identify customer weighing
behavior, find the types of waste that are often weighed together, and determine the support,
confidence, and lift ratio values of each association rule generated. The technique used is a
quantitative method and to process the weighing transaction data into information using the apriori
data mining algorithm. From 866 weighing data for two years from May 2022 to March 2024, this
research produces four rules that have a good lift ratio value with a minimum support value of 0.1
and a minimum confidence of 0.8. The most frequently weighed type of waste is the mixed bucket
type with a support value of 69.9% or from 866 weighing data, the mixed bucket type of waste
appears 605 times. Then for the type of waste that is most often weighed simultaneously is if
weighing boncos, and clean mineral bottles, then also weighing mixed buckets with a support value
of 0.11 and confidence of 0.87. Many people collect and carry boncos and clean mineral bottles,
usually they also carry mixed buckets.

Keywords: Apriori Algorithm, Association Rules, Data Mining, Waste Bank, Weighing Patterns