BAB I David
BAB I David
PENDAHULUAN
Akhir – akhir ini usaha di bidang keramik sedang berkembang pesat. Salah satunya
adalah Toko Keramik Jaya. Toko keramik yang terletak di Kendari, Sulawesi Tenggara ini
adalah satu dari puluhan, bahkan mungkin ratusan toko yang ada di Kendari. Mencari
keuntungan merupakan tujuan operasional toko, maka untuk memenuhi tujuan operasional
sekaligus mempertahankan kegiatan operasional dalam persaingan dunia bisnis, diperlukan
suatu strategi yang dapat meningkatkan penjualan.
Di sisi lain, minat beli konsumen juga dipengaruhi oleh beberapa faktor. Tidak mudah
untuk menumbuhkan minat beli sebelum akhirnya konsumen memutuskan untuk membeli
suatu produk. Dengan promosi menyebabkan orang yang sebelumnya tidak tertarik untuk
membeli suatu produk akan menjadi tertarik dan mencoba produk sehingga konsumen
melakukan pembelian. Untuk menentukan dan mengembangkan promosi agar lebih terarah
dan tepat sasaran salah satu caranya adalah mengetahui selera beli konsumen, yang dapat
diamati melalui data-data transaksi pembelian. Terkadang hasil dari pengolahan data dengan
cara sederhana (query) tidak mendapatkan hasil yang efektif karena besarnya volume data
yang diolah dan kesulitan untuk melihat asosiasi antara penjualan barang yang satu
dengan yang lain. Dengan demikian perlu adanya suatu sistem yang dapat membantu
secara cepat dan juga tepat. Pemanfaatan informasi dan pengetahuan yang terkandung di
dalam banyaknya data tersebut, pada saat ini disebut dengan data mining.
Data mining adalah suatu istilah yang digunakan untuk menguraikan penemuan
pengetahuan di dalam database atau sering disebut Knowledge Discovery in Database
(KDD). Penerapan Algoritma Apriori, membantu dalam membentuk kandidat kombinasi
item yang mungkin terjadi, kemudian dilakukan pengujian apakah kombinasi tersebut
memenuhi parameter support dan confidence minimum yang merupakan nilai ambang batas
yang diberikan oleh pengguna.
Algoritma apriori dapat dimanfaatkan dalam proses penjualan, dengan memberikan
hubungan antar data penjualan, dalam hal ini adalah keramik dan bahan pembantu yang
dipesan sehingga akan didapat pola pembelian konsumen. Pihak toko dapat memanfaatkan
informasi tersebut untuk mengambil tindakan bisnis yang sesuai, dalam hal ini informasi
dapat menjadi bahan pertimbangan untuk menentukan strategi penjualan selanjutnya.
1.2 Rumusan Masalah
Berdasarkan latar belakang yang telah penulis paparkan, maka yang menjadi rumusan
masalah dalam artikel ini adalah bagaimana menentukan aturan asosiasi berdasarkan data
transaksi penjualan selama bulan februari 2018 pada Toko Keramik Jaya dengan algoritma
apriori.
1.3 Tujuan
Berdasarkan rumusan masalah diatas, maka tujuan yang ingin dicapai pada tugas akhir
ini adalah membantu pemilik kafe menemukan susunan item di Toko Keramik Jaya untuk
proses pengembanganm promosi dengan mengunakan algorima apriori.
1.4 Manfaat
1. Bagi Mahasiswa :
a) Bisa menambah pengetahuan mahasiswa tentang bagaimana cara memanfaatkan
transaksi sehingga menghasilkan informasi yang berguna dengan teknik Data
Mining.
b) Bisa menambah pengetahuan mahasiswa tentang bagaimana mencari informasi
penting yang tersembunyi dalam suatu data menggunakan teknik Algoritma
Apriori.
2. Bagi Toko :
a) Dapat membantu mengetahui kombinasi keramik apa saja yang dibeli secara
bersamaan oleh konsumen dalam satu waktu.
b) Dapat membantu pihak toko dalam memberikan promosi atau rekomendasi
keramik bagi konsumen.
BAB II
PEMBAHASAN
Data mining didefinisikan sebagai proses menemukan pola-pola dalam data, dimana
proses-nya harus otomatis atau semi-otomatis. Pola-pola yang ditemukan harus berarti dan
menghasilkan keuntungan, terutama keuntungan ekonomi Ian H Witten, Eibe Frank, and
Mark A Hall, Data Mining :Practical Machine Learning Tools and Techniques Third
Edition.
Data mining adalah pencarian dan teknik analisa data yang besar untuk menemukan
pola dan aturan yang berarti. Pola-pola yang dimaksud dapat diperoleh dari berbagai macam
basis data seperti basis data relasional, data warehouse, data transaksi, dan data berorientasi
objek. Dari pernyataan sebelumnya dapat disimpulkan bahwa data mining selalu
berhubungan dengan penemuan informasi atau pengetahuan baru dalam database, baik
secara otomatis maupun semi otomatis. Terdapat 5 teknik utama dalam proses data mining
menurut Budi Santoso, Data Mining : Teknik Pemanfaatan Data Untuk Keperluan Bisnis :
1) Deskripsi
Pola dan kecenderungan dalam data sering kali sulit dimengerti, sehingga sering kali
peneliti mencoba mencari cara untuk menggambarkan pola dan kecenderungan dalam data
secara sederhana. Dekripsi dari pola dan kecenderungan sering memberikan kemungkinan
penjelasan untuk suatu pola atau kecenderungan.
2) Klasifikasi
Dalam klasifikasi, variabel target-nya berupa data kategorikal. Model data mining
memeriksa kumpulan record yang besar, tiap record mempunyai informasi variabel target
dan kumpulan input atau variabel predictor.
3) Estimasi
4) Prediksi
Prediksi mirip dengan klasifikasi dan estimasi, kecuali dalam prediksi, nilai hasil
akan muncul di masa yang akan datang.
5) Clustering
6) Asosiasi
Teknik asosiasi dalam data mining adalah teknik untuk menemukan atribut yang
muncul bersamaan dalam satu waktu. Dalam dunia bisnis juga dikenal dengan nama Market
Basket Analysis/Analisis Keranjang Belanja dan digunakan untuk menemukan aturan
asosiatif antara suatu kombinasi item atau barang.
Data mining, sering juga disebut sebagai knowledge discovery in database (KDD),
karena kegiatan yang dilakukan meliputi pengumpulan, pemakaian data, historis untuk
menemukan keteraturan, pola atau hubungan dalam set data berukuran besar menurut Budi
Santoso, Data Mining : Teknik Pemanfaatan Data Untuk Keperluan Bisnis. . Secara garis
besar dapat diuraikan sebagai berikut:
1) Data cleaning (pembersihan data)
Pada kenyataannya, data yang didapat dari suatu database belum tentu memiliki
kualitas yang cukup baik. Misalnya data tersebut tidak lengkap atau ada informasi yang
hilang, maupun data tidak valid, juga terdapat atribut-atribut data yang tidak relevan
terhadap teknik data mining yang digunakan. Data cleaning bertujuan untuk membuang
data-data yang tidak konsisten, menghilangkan noise dan melengkapi data yang kehilangan
informasi, sehingga performansi dari data mining dapat meningkat.
Data yang akan diproses dalam data mining dapat berasal dari berbagai database,
dan bukan hanya dari satu database. Integrasi data diperlukan untuk menggabungkat data
dari berbagai sumber data kedalam satu database baru. Integrasi yang teliti dapat
mengurangi dan menolak redundansi data, sehingga dapat meningkatkan akurasi dan
kecepatan dari proses data mining.
Sering kali terdapat data yang tidak terpakai dalam database. Hanya data yang sesuai
untuk dianalisis yang diperlukan. Sebagai contoh, untuk meneliti kebiasaan beli konsumen,
tidak perlu mengambil data nama konsumen, cukup dengan id konsumen saja. Dalam kasus
market basket analysis, kuantitas barang dan harga kurang begitu diperlukan.
Pada tahapan ini, data diubah atau ditransformasikan menjadi format data yang
sesuai untuk diproses dalam data mining, sebab ada metode-metode data mining yang
memerlukan format data tertentu untuk diolah. Proses mentransformasikan data yang telah
dipilih sehingga sesuai untuk data mining adalah coding. Proses coding dalam KDD sangat
tergantung pada jenis atau pola informasi yang akan dicari dalam basis data.
Metode dan algoritma yang telah ditentukan mulai diterapkan untuk mencari pola
dan menemukan informasi berharga yang tersembunyi. Pemilihan metode atau algoritma
yang tepat sangat bergantung pada tujuan dan proses KDD secara keseluruhan.
Pola informasi yang dihasilkan dari proses data mining mungkin berbeda dan tidak
sesuai dengan hipotesa. Bila hal ini terjadi, hasil tersebut dapat dijadikan umpan balik untuk
memperbaiki proses data mining. Solusi lain adalah dengan mengubah metode yang
digunakan, atau menerima hasil yang ada sebagai pengetahuan baru yang mungkin dapat
bermanfaat.
7) Knowledge presentation.
1. Customers
2. Orders/pembelian
3. Items (barang-barang)
Association rule pertama kali dikembangkan oleh Agrawal, Imielinski dan Sami.
Association rule digunakan untuk menemukan pola yang berurutan, asosiasi dan hubungan
sebab akibat antara himpunan data (Prasetyo, 2006). Tujuan association rule adalah untuk
menemukan keteraturan dalam data. Association rule dapat digunakan untuk
mengidentifikasi item-item produk yang mungkin dibeli secara bersamaan dengan produk
lain, atau dilihat secara bersamaan saat mencari informasi mengenai produk tertentu. Dalam
pencarian association rule, diperlukan suatu variabel ukuran kepercayaan (interestingness
measure) yang dapat ditentukan oleh user, untuk mengatur batasan sejauh mana dan sebanyak
apa hasil output yang diinginkan oleh user.
Association rules merupakan sebuah aturan tertentu atau rules yang menyatakan sebuah
hubungan korelasi antara tingkat kemunculan beberapa atribut dalam sebuah database.
Bentuk umum dari association rules adalah :
A1....., An -> B
Yang artinya bahwa pelanggan yang membeli produk A juga mempunyai peluang yang
cukup besar untuk membeli produk B, dimana tidak ada batasan pada jumlah dari item-item
pada heal ataupun body dari sebuah rule. Bentuk lain yang lebih kompleks dari association
rule adalah :
A, C -> B, D
Yang artinya bahwa pelanggan yang membeli produk A dan C juga mempunyai
kecenderungan untuk membeli produk B dan D. Salah satu masalah dalam pencarian
asoociation rule adalah sangat banyaknya kemungkinan ditemukannya rules yang belum
tentu merupakan rules yang baik dan dapat dipercaya.
Maka dari itu diperlukan suatu algoritma yang efisien yang membatasi ruang lingkup
pencarian dan hanya mengecek sebagian bagian daru rules yang ada tanpa harus kehilangan
rule-rule yang penting dan baik, yaitu Apriori. Selain itu juga diperlukan suatu perhitungan
untuk menilai kualitas dari association rules yang akan dihasilkan, yaitu support, confidence,
dan improvement (Firdhana, 2005).
a. Support
b. Confidence
Akurasi dari suatu association rule sering disebut dengan confidence . Confidence atau
dapat disebut nilai kepastian adalah kuatnya hubungan antar item dalam aturan asosiatif.
Sebagai contoh pada aturan asosiasi A ⇒ B,
Nilai confidence dari aturan A ->B diperoleh dari rumus berikut:
Prinsip kerja dasar dari algoritma ini yaitu dengan mengembangkan frequent itemset.
Mulai dari satu item dan secara rekursif mengembangkan frequent itemset menjadi dua item,
tiga item, dan seterusnya hingga frequent itemset tidak dapat dikembangkan lagi. Untuk
mengembangkan frequent itemset dengan dua item, dapat menggunakan satu item, dengan
alasan bila set satu item tidak dapat mencapa Terdapat dua proses utama dalam algoritma
apriori yaitu :
1) Join (penggabungan)
Dalam proses ini, setiap item dikombinasikan dengan item lain sampai tidak
dapat terbentuk kombinasi lagi.
2) Pruning (pemangkasan)
Pada proses ini, hasil kombinasi item akan dipangkas berdasarkan minimum
support yang telah ditentukan.
Langkah-langkah dari proses algoritma apriori adalah :
b. Itemset yang tidak termasuk dalam large itemset tidak disertakan dalam iterasi
selanjutnya (dilakukan pruning).
c. Himpunan L1 hasil iterasi pertama akan digunakan untuk iterasi selanjutnya. Pada
L1 dilakukan proses join terhadap dirinya sendiri untuk membentuk kandidat 2-
itemset (C2). Bandingkan lagi support dari item-item C2 dengan minimum support,
bila tidak kurang dari minimum support, maka itemset tersebut masuk dalam large
itemset L2. Pada iterasi selanjutnya, hasil large itemset pada iterasi sebelumnya (Lk-1)
akan dilakukan proses join terhadap dirinya sendiri untuk membentuk kandidat baru
(Ck), dan large itemset baru (Lk). Setelahnya dilakukan proses pruning pada itemset
yang tidak termasuk dalam Lk.
e. Dari seluruh large itemset yang memenuhi minimum support (frequent itemset)
dibentuk association rule dan dicari nilai confidence-nya. Aturan-aturan yang nilai
confidence nya lebih kecil dari minimum confidence, tidak termasuk dalam
association rule yang dipakai
BAB III
PEMBAHASAN
Data yang akan digunakan untuk memenuhi tujuan bisnis dan tujuan data mining yang telah
ditetapkan adalah data transaksi pembelian konsumen selama bulan Februari tahun 2018 pada Toko
Keramik.
Item Set
MILAN 40X40
MASS 40X40
SIGNATURE 25X40
LIST 25CM
ACCURA 40X40
CERANOSA 60X60
SILINDER GLISTER
KUNCI FINOTTI
KUNCI SPEZZANO
REDHORSE 25X40
SIFON WASTAFEL
METALCO MS
UNO 40X40
JET SHOWER DUFFI
GEMBOK HOLY
EUROGRESS 60X60
HAND SHOWER
HABITAT 50X50
FORTUNA 25X50
KIA 30X60
KUKU MACAN 20CM
ROMAN 33X33
JUPITER 40X40
1 0 0 0 0 0 0 0 0
2 0 0 0 0 0 0 0 0
3 0 0 0 1 0 0 0 0
4 0 0 1 0 0 1 1 0
5 0 0 0 0 0 0 1 0
6 0 0 0 0 0 1 1 1
7 0 0 0 0 0 0 1 0
8 0 0 0 0 0 0 1 0
9 0 0 0 0 0 0 1 0
10 0 0 1 0 0 0 1 0
11 1 0 0 0 0 0 1 0
12 0 0 0 0 0 0 0 0
13 0 1 0 0 0 0 0 0
14 0 0 0 1 1 0 0 0
15 1 0 0 0 0 0 0 0
16 0 0 0 0 1 0 0 0
∑ 2 1 2 2 2 2 8 1
c. Tentukan Ф
Misalkan kita tentukan Ф = 3, maka kita dapat menentukan frekuen itemset. Dari
tabel di atas diketahui total Ф untuk transaksi k = 1, semuanya lebih besardari Ф. Maka:
F1= {{ MILAN 40X4}, { MASS 40X40}, {SIGNATURE 25X40}, {LIST 25CM },
{ACCURA 40X40}, {CERANOSA 60X60}, {SILINDER GLISTER}, {KUNCI FINOTTI},
{KUNCI SPEZZANO, {REDHORSE 25X40}, {SIFON WASTAFEL}, {METALCO MS},
{UNO 40X40}, {JET SHOWER}, {GEMBOK HOLY}, {EUROGRESS 60X60}, {HAND
SHOWER}, {HABITAT 50X50}, {FORTUNA 25X50}, {KIA 30X60}, {KUKU MACAN
20CM}, {ROMAN 33X33}, {JUPITER 40X40}}.
Untuk k = 2 (2 unsur), diperlukan tabel untuk tiap-tiap pasang item. Himpunan yang mungkin
terbentuk adalah:
1. {MILAN 40X40, MASS 40X40}, {MILAN 40X40, SIGNATURE 25X40}, {MILAN
40X40, LIST 25CM }, { MILAN 40X40, ACCURA 40X40 }, {MILAN 40X40,
CERANOSA 60X60}, {MILAN 40X40, SILINDER GLISTER}, {MILAN 40X40,
KUNCI FINOTTI }{ MILAN 40X40, KUNCI SPEZZANO }, {MILAN 40X40,
REDHORSE 25X40}, {MILAN 40X40, SIFON WASTAFEL},{MILAN 40X40,
METALCO MS }, { MILAN 40X40, UNO 40X40 }, { MILAN 40X40, JET SHOWER
}, { MILAN 40X40, GEMBOK HOLY }, { MILAN 40X40, EUROGRESS 60X60}, {
MILAN 40X40, HAND SHOWER }, { MILAN 40X40, HABITAT 50X50}, { MILAN
40X40, FORTUNA 25X50},{ MILAN 40X40, KIA 30X60},{ MILAN 40X40, KUKU
MACAN 20CM },{ MILAN 40X40, ROMAN 33X33},{ MILAN 40X40, JUPITER
40X40},
2. {MASS 40X40, SIGNATURE 25X40}, { MASS 40X40, LIST 25CM }, { MASS
40X40, ACCURA 40X40 }, { MASS 40X40, CERANOSA 60X60}, { MASS 40X40,
SILINDER GLISTER }, { MASS 40X40, KUNCI FINOTTI }{ MASS 40X40, KUNCI
SPEZZANO }, { MASS 40X40, REDHORSE 25X40 }, { MASS 40X40, SIFON
WASTAFEL },{ MASS 40X40, METALCO MS }, { MASS 40X40, UNO 40X40 }, {
MASS 40X40, JET SHOWER }, { MASS 40X40, GEMBOK HOLY }, { MASS 40X40,
EUROGRESS 60X60}, { MASS 40X40, HAND SHOWER }, { MASS 40X40,
HABITAT 50X50}, { MASS 40X40, FORTUNA 25X50},{ MASS 40X40, KIA
30X60},{ MASS 40X40, KUKU MACAN 20CM },{ MASS 40X40, ROMAN
33X33},{ MASS 40X40, JUPITER 40X40}.
3. {SIGNATURE 25X40, LIST 25CM }, { SIGNATURE 25X40, ACCURA 40X40 },
SIGNATURE 25X40, CERANOSA 60X60}, {SIGNATURE 25X40, SILINDER
GLISTER }, { SIGNATURE 25X40, KUNCI FINOTTI }{ SIGNATURE 25X40,
KUNCI SPEZZANO }, { SIGNATURE 25X40, REDHORSE 25X40 }, { SIGNATURE
25X40, SIFON WASTAFEL }, { SIGNATURE 25X40, METALCO MS }, {
SIGNATURE 25X40, UNO 40X40 }, { SIGNATURE 25X40, JET SHOWER }, {
SIGNATURE 25X40, GEMBOK HOLY }, { SIGNATURE 25X40, EUROGRESS
60X60}, { SIGNATURE 25X40, HAND SHOWER }, { SIGNATURE 25X40,
HABITAT 50X50}, { SIGNATURE 25X40, FORTUNA 25X50},{ SIGNATURE
25X40, KIA 30X60},{ SIGNATURE 25X40, KUKU MACAN 20CM },{ SIGNATURE
25X40, ROMAN 33X33},{ SIGNATURE 25X40, JUPITER 40X40}.
4. { LIST 25CM, ACCURA 40X40 }, LIST 25CM, CERANOSA 60X60}, { LIST 25CM,
SILINDER GLISTER }, { LIST 25CM, KUNCI FINOTTI }{ LIST 25CM, KUNCI
SPEZZANO }, { LIST 25CM, REDHORSE 25X40 }, { LIST 25CM, SIFON
WASTAFEL }, { LIST 25CM, METALCO MS }, { LIST 25CM, UNO 40X40 }, {
LIST 25CM, JET SHOWER }, { LIST 25CM, GEMBOK HOLY }, { LIST 25CM,
EUROGRESS 60X60}, { LIST 25CM, HAND SHOWER }, { LIST 25CM, HABITAT
50X50}, { LIST 25CM, FORTUNA 25X50},{ LIST 25CM, KIA 30X60},{ LIST 25CM,
KUKU MACAN 20CM },{ LIST 25CM, ROMAN 33X33},{ LIST 25CM, JUPITER
40X40}.
5. {ACCURA 40X40, CERANOSA 60X60}, { ACCURA 40X40, SILINDER GLISTER },
{ ACCURA 40X40, KUNCI FINOTTI }{ ACCURA 40X40, KUNCI SPEZZANO }, {
ACCURA 40X40, REDHORSE 25X40 }, { ACCURA 40X40, SIFON WASTAFEL }, {
ACCURA 40X40, METALCO MS }, { ACCURA 40X40, UNO 40X40 }, { ACCURA
40X40, JET SHOWER }, { ACCURA 40X40, GEMBOK HOLY }, { ACCURA 40X40,
EUROGRESS 60X60}, { ACCURA 40X40, HAND SHOWER }, { ACCURA 40X40,
HABITAT 50X50}, { ACCURA 40X40, FORTUNA 25X50},{ ACCURA 40X40, KIA
30X60},{ ACCURA 40X40, KUKU MACAN 20CM },{ ACCURA 40X40, ROMAN
33X33},{ ACCURA 40X40, JUPITER 40X40}.
6. { CERANOSA 60X60, SILINDER GLISTER }, { CERANOSA 60X60, KUNCI
FINOTTI }{ CERANOSA 60X60, KUNCI SPEZZANO }, { CERANOSA 60X60,
REDHORSE 25X40 }, { CERANOSA 60X60, SIFON WASTAFEL }, {CERANOSA
60X60, METALCO MS }, { CERANOSA 60X60, UNO 40X40 }, {CERANOSA
60X60, JET SHOWER }, { CERANOSA 60X60, GEMBOK HOLY }, { CERANOSA
60X60, EUROGRESS 60X60}, { CERANOSA 60X60, HAND SHOWER }, {
CERANOSA 60X60, HABITAT 50X50}, { CERANOSA 60X60, FORTUNA 25X50},{
CERANOSA 60X60, KIA 30X60},{ CERANOSA 60X60, KUKU MACAN 20CM },{
CERANOSA 60X60, ROMAN 33X33},{ CERANOSA 60X60, JUPITER 40X40}.
7. {SILINDER GLISTER, KUNCI FINOTTI }{ SILINDER GLISTER, KUNCI
SPEZZANO }, { SILINDER GLISTER, REDHORSE 25X40 }, { SILINDER
GLISTER, SIFON WASTAFEL }, { SILINDER GLISTER, METALCO MS }, {
SILINDER GLISTER, UNO 40X40 }, { SILINDER GLISTER, JET SHOWER }, {
SILINDER GLISTER, GEMBOK HOLY }, { SILINDER GLISTER, EUROGRESS
60X60}, { SILINDER GLISTER, HAND SHOWER }, { SILINDER GLISTER,
HABITAT 50X50}, { SILINDER GLISTER, FORTUNA 25X50},{ SILINDER
GLISTER, KIA 30X60},{ SILINDER GLISTER, KUKU MACAN 20CM },{
SILINDER GLISTER, ROMAN 33X33},{ SILINDER GLISTER, JUPITER 40X40}.
8. {KUNCI FINOTTI, KUNCI SPEZZANO }, { KUNCI FINOTTI, REDHORSE 25X40 },
{ KUNCI FINOTTI, SIFON WASTAFEL }, { KUNCI FINOTTI, METALCO MS }, {
KUNCI FINOTTI, UNO 40X40 }, { KUNCI FINOTTI, JET SHOWER }, { KUNCI
FINOTTI, GEMBOK HOLY }, { KUNCI FINOTTI, EUROGRESS 60X60}, { KUNCI
FINOTTI, HAND SHOWER }, { KUNCI FINOTTI, HABITAT 50X50}, { KUNCI
FINOTTI, FORTUNA 25X50},{ KUNCI FINOTTI, KIA 30X60},{ KUNCI FINOTTI,
KUKU MACAN 20CM },{ KUNCI FINOTTI, ROMAN 33X33},{ KUNCI FINOTTI,
JUPITER 40X40}.
9. {KUNCI SPEZZANO, REDHORSE 25X40 }, { KUNCI SPEZZANO, SIFON
WASTAFEL },{ KUNCI SPEZZANO, METALCO MS }, { KUNCI SPEZZANO, UNO
40X40 }, { KUNCI SPEZZANO, JET SHOWER }, { KUNCI SPEZZANO, GEMBOK
HOLY }, { KUNCI SPEZZANO, EUROGRESS 60X60}, { KUNCI SPEZZANO,
HAND SHOWER }, { KUNCI SPEZZANO, HABITAT 50X50}, { KUNCI
SPEZZANO, FORTUNA 25X50},{ KUNCI SPEZZANO, KIA 30X60},{ KUNCI
SPEZZANO, KUKU MACAN 20CM },{ KUNCI SPEZZANO, ROMAN 33X33},{
KUNCI SPEZZANO, JUPITER 40X40}.
10. {REDHORSE 25X40, SIFON WASTAFEL }, { REDHORSE 25X40, METALCO MS
}, { REDHORSE 25X40, UNO 40X40 }, { REDHORSE 25X40, JET SHOWER }, {
REDHORSE 25X40, GEMBOK HOLY }, { REDHORSE 25X40, EUROGRESS
60X60}{ REDHORSE 25X40, HAND SHOWER }, { REDHORSE 25X40, HABITAT
50X50}, { REDHORSE 25X40, FORTUNA 25X50},{ REDHORSE 25X40, KIA
30X60},{ REDHORSE 25X40, KUKU MACAN 20CM },{ REDHORSE 25X40,
ROMAN 33X33},{ REDHORSE 25X40, JUPITER 40X40}.
11. {SIFON WASTAFEL, METALCO MS }, { SIFON WASTAFEL, UNO 40X40 }, {
SIFON WASTAFEL, JET SHOWER }, SIFON WASTAFEL, GEMBOK HOLY }, {
SIFON WASTAFEL EUROGRESS 60X60}{ SIFON WASTAFEL, HAND SHOWER
}, { SIFON WASTAFEL, HABITAT 50X50}, { SIFON WASTAFEL, FORTUNA
25X50},{ SIFON WASTAFEL, KIA 30X60},{ SIFON WASTAFEL, KUKU MACAN
20CM },{ SIFON WASTAFEL, ROMAN 33X33},{ SIFON WASTAFEL, JUPITER
40X40}.
12. {METALCO MS, UNO 40X40 }, { METALCO MS, JET SHOWER }, METALCO MS,
GEMBOK HOLY }, { METALCO MS, EUROGRESS 60X60}{ METALCO MS,
HAND SHOWER }, { METALCO MS, HABITAT 50X50}, { METALCO MS,
FORTUNA 25X50},{ METALCO MS, KIA 30X60},{ METALCO MS, KUKU
MACAN 20CM },{ METALCO MS, ROMAN 33X33},{ METALCO MS, JUPITER
40X40}.
13. {UNO 40X40, JET SHOWER }, UNO 40X40, GEMBOK HOLY }, { UNO 40X40,
EUROGRESS 60X60}{ UNO 40X40, HAND SHOWER }, { UNO 40X40, HABITAT
50X50}, { UNO 40X40, FORTUNA 25X50},{ UNO 40X40, KIA 30X60},{ UNO
40X40, KUKU MACAN 20CM },{ UNO 40X40, ROMAN 33X33},{ UNO 40X40
JUPITER 40X40}.
14. JET SHOWER, GEMBOK HOLY }, { JET SHOWER, EUROGRESS 60X60}{ JET
SHOWER, HAND SHOWER }, { JET SHOWER, HABITAT 50X50}, { JET
SHOWER, FORTUNA 25X50},{ JET SHOWER, KIA 30X60},{ JET SHOWER,
KUKU MACAN 20CM },{ JET SHOWER, ROMAN 33X33},{ JET SHOWER,
JUPITER 40X40}.
15. GEMBOK HOLY, EUROGRESS 60X60}{ GEMBOK HOLY, HAND SHOWER }, {
GEMBOK HOLY, HABITAT 50X50}, { GEMBOK HOLY, FORTUNA 25X50},{
GEMBOK HOLY, KIA 30X60},{ GEMBOK HOLY, KUKU MACAN 20CM },{
GEMBOK HOLY, ROMAN 33X33},{ GEMBOK HOLY, JUPITER 40X40}.
16. {EUROGRESS 60X60, HAND SHOWER }, { EUROGRESS 60X60, HABITAT
50X50}, { EUROGRESS 60X60, FORTUNA 25X50},{ EUROGRESS 60X60, KIA
30X60},{ EUROGRESS 60X60, KUKU MACAN 20CM },{ EUROGRESS 60X60,
ROMAN 33X33},{ EUROGRESS 60X60, JUPITER 40X40}.