PENGEMBANGAN APLIKASI PENENTUAN TINGKAT KEUNTUNGAN PADA E- COMMERCE DENGAN MENGGUNAKAN ALGORITMA K-MEANS DAN APRIORI

Ukuran: px
Mulai penontonan dengan halaman:

Download "PENGEMBANGAN APLIKASI PENENTUAN TINGKAT KEUNTUNGAN PADA E- COMMERCE DENGAN MENGGUNAKAN ALGORITMA K-MEANS DAN APRIORI"

Transkripsi

1 PENGEMBANGAN APLIKASI PENENTUAN TINGKAT KEUNTUNGAN PADA E- COMMERCE DENGAN MENGGUNAKAN ALGORITMA K-MEANS DAN APRIORI Gunawan 1, Fandi Halim 2, Tony Saputra Debataraja 3, Julianus Efrata Peranginangin 4 1,2 Program Studi S-1 Sistem Informasi, STMIK Mikroskil, Medan 3,4 Program Studi S-1 Teknik Informatika, STMIK Mikroskil, Medan Jl. Thamrin No. 140, Medan, , 2 ABSTRAKS Pada persaingan e-commerce saat ini, mengetahui item yang paling banyak dibeli konsumen adalah strategi yang tepat untuk meningkatkan keuntungan, namun akan sangat sulit bila dilakukan secara manual. Untuk itu diperlukan metode pencarian data item yang paling banyak dibeli konsumen. Clustering dan asosiasi merupakan tipe analisis data yang paling sering digunakan dalam dunia pemasaran. Teknik clustering digunakan untuk mengelompokkan sejumlah data atau objek sehingga setiap cluster akan berisi data yang semirip mungkin dan berbeda dengan objek dalam cluster lainnya, sedangkan asosiasi adalah teknik data mining yang menggunakan kriteria support dan confidence untuk mengidentifikasi kombinasi antar item. Hasil dari kedua analisis ini dapat digunakan sebagai strategi untuk menjalankan bisnis, seperti untuk mengetahui item yang paling sering dibeli konsumen. Jenis dari clustering dan asosiasi adalah k-means dan apriori. Tujuan dari penelitian ini untuk mengetahui item-item yang sering dibeli konsumen dan juga melihat waktu yang lebih cepat dalam melakukan analisis transaksi penjualan. Kata Kunci: apriori, asosiasi, clustering, k-means 1. PENDAHULUAN 1.1 Latar Belakang Strategi yang tepat tentunya mutlak diperlukan dalam persaingan bisnis e-commerce saat ini. Pengelola e-commerce tentunya telah mempunyai cara untuk meningkatkan keuntungan dan menjaga hubungan baik dengan konsumen mereka untuk dapat bersaing dalam persaingan bisnis e-commerce. Salah satu cara adalah mengetahui item (barang) yang paling sering dibeli oleh konsumen yang dapat menambah keuntungan e-commerce dan dapat menjaga hubungan baik dengan pelanggan mereka. Untuk mengetahui item apa saja yang paling sering dibeli oleh konsumen tentunya akan sulit diketahui bila dilakukan dengan pengamatan dan pencatatan secara manual. Oleh karena itu diperlukan suatu metode yang dapat membantu pihak pengelola e- commerce dalam menentukan item yang paling sering dibeli oleh konsumen. Metode yang dapat dipakai untuk menentukan item yang paling sering dibeli oleh konsumen adalah k-means dan apriori. K-means merupakan metode clustering dalam data mining, sedangkan apriori merupakan metode dengan aturan asosiasi dalam data mining. K-means adalah sebuah algoritma untuk mengklasifikasikan atau mengelompokkan objek-objek (dalam hal ini data) berdasarkan parameter tertentu ke dalam sejumlah grup, sehingga dapat berjalan lebih cepat daripada hierarchical clustering (jika k kecil) dengan jumlah variabel yang besar dan menghasilkan cluster yang lebih rapat (Kardi dan Barakbah, 2007). Apriori merupakan algoritma yang sering digunakan untuk menemukan aturan asosiasi di dalam aplikasi data mining dengan teknik aturan asosiasi. Dengan menggunakan metode k-means, data item yang telah dikelompokkan akan ditentukan pusat setiap kelompok dan dihitung menggunakan rumus k-means sehingga menghasilkan kesimpulan item yang yang paling banyak dibeli oleh konsumen, sedangkan pada apriori, data item yang telah dikelompokkan akan diseleksi sampai mendapatkan item dengan nilai support dan confidence yang telah ditetapkan, sehingga menghasilkan kesimpulan item yang paling banyak dibeli oleh konsumen. Dengan menggunakan kedua metode ini, pihak pengelola e- commerce dapat mengetahui barang yang paling banyak dibeli oleh konsumen, sehingga pihak pengelola e-commerce dapat menambah persediaan barang tersebut untuk menambah keuntungan mereka. Sesuai dengan uraian sebelumnya, maka yang menjadi masalah dalam penelitian ini adalah item yang paling banyak dibeli oleh konsumen sulit ditentukan bila dilakukan pencatatan data secara manual dan pengamatan secara langsung, sehingga diperlukan metode untuk menentukan item yang paling banyak dibeli oleh konsumen untuk meningkatkan daya saing e-commerce tersebut dan menambah keuntungan e-commerce. Tujuan dari penelitian ini adalah untuk memberikan rekomendasi barang yang paling banyak dibeli oleh konsumen kepada pihak pengelola e-commerce dengan menggunakan metode k-means dan apriori. Langkah-langkah yang ditempuh dalam penelitian ini adalah: 328

2 a. Tinjauan Pustaka: mengumpulkan buku, artikel, jurnal, dan makalah yang berhubungan dengan data mining serta menyaring referensi-referensi tersebut sehingga diperoleh data yang relevan. b. Analisis dan Perancangan: mempelajari dan menganalisis cara kerja algoritma k-means dan apriori, serta membuat rancangan aplikasi dengan metode yang dipilih. c. Pemrograman (Coding): melakukan pemrograman dengan menggunakan bahasa pemrograman Microsoft Visual Basic d. Pengujian: mengeksekusi program dengan tujuan menemukan kesalahan serta menguji sistem hasil implementasi algoritma. 1.2 Data Mining Data mining adalah serangkaian proses untuk menggali nilai tambah dari suatu kumpulan data berupa pengetahuaan yang selama ini tidak diketahui secara manual. Data mining digunakan untuk mengekstraksi dan mengidentifikasi informasi pengetahuan potensial dan berguna yang bermanfaat yang tersimpan di dalam database besar (Turban, 2005). Menurut Gartner Group, data mining adalah suatu proses menemukan hubungan yang berarti, pola, dan kecenderungan dengan memeriksa dalam sekumpulan besar data yang tersimpan dalam penyimpanan dengan menggunakan teknik pengenalan pola seperti teknik statistik dan matematika (Larose, 2005). Dengan definisi data mining yang luas, terdapat banyak jenis metode analisis yang dapat digolongkan dalam data mining, yaitu (Santosa, 2007): a. Association rules Association rules mining (aturan mining asosiasi) berfungsi untuk menemukan asosiasi antar variabel, korelasi atau suatu struktur di antara item atau objek-objek di dalam database transaksi, database relasional, maupun pada penyimpanan informasi lainnya. Aturan asosiasi ingin memberikan informasi tersebut dalam bentuk hubungan if-then atau jika-maka. Aturan ini dihitung dari data yang sifatnya probabilistik. b. Decision Tree Dalam decision tree tidak menggunakan vektor jarak untuk mengklasifikasikan objek. Seringkali data observasi mempunyai atributatribut yang bernilai nominal. Decision tree dapat diilustrasikan misalkan objeknya adalah sekumpulan buah-buahan yang bisa dibedakan berdasarkan atribut bentuk, warna, ukuran, dan rasa. Bentuk, warna, ukuran, dan rasa adalah besaran nominal, yaitu bersifat kategoris dan tiap nilai tidak bisa dijumlahkan atau dikurangkan. Dalam atribut warna terdapat beberapa nilai yang mungkin, yaitu hijau, kuning, dan merah. Dalam atribut ukuran terdapat nilai besar, sedang, dan kecil. Dengan nilai-nilai atribut ini, kemudian dibuat decision tree untuk menentukan suatu objek termasuk jenis buah apa jika nilai tiap-tiap atribut diberikan. c. Clustering Clustering termasuk metode yang sudah cukup dikenal dan banyak dipakai dalam data mining. Sampai sekarang para ilmuwan dalam bidang data mining masih melakukan berbagai usaha untuk melakukan perbaikan model clustering karena metode yang dikembangkan sekarang masih bersifat heuristik. Usaha-usaha untuk menghitung jumlah cluster yang optimal dan pengklasteran yang paling baik masih terus dilakukan. Dengan demikian menggunakan metode yang sekarang tidak bisa menjamin hasil pengklasteran sudah merupakan hasil yang optimal. 1.3 Algoritma K-Means Algoritma k-means merupakan algoritma yang relatif sederhana untuk mengklasifikasikan atau mengelompokkan sejumlah besar objek dengan atribut tertentu ke dalam kelompok-kelompok (cluster) sebanyak K. Pada algoritma k-means, jumlah cluster K sudah ditentukan terlebih dahulu. K-means adalah algoritma clustering untuk data mining yang diciptakan tahun 70-an dan berguna untuk melakukan clustering secara unsupervised learning (pembelajaran yang tidak terawasi) dalam suatu kumpulan data berdasarkan parameter tertentu. K-means adalah sebuah algoritma untuk mengklasifikasikan atau mengelompokkan objekobjek (dalam hal ini data) berdasarkan parameter tertentu ke dalam sejumlah grup, sehingga dapat berjalan lebih cepat daripada hierarchical clustering (jika kecil) dengan jumlah variabel yang besar dan menghasilkan cluster yang lebih rapat (Kardi dan Barakbah, 2007). K-means memiliki properti: selalu ada K cluster, paling tidak memiliki satu data dalam tiap cluster, cluster ini merupakan non-hierarki dan tidak akan terjadi overlap, dan setiap member dari sebuah cluster berdekatan di-cluster terhadap cluster lainnya karena kedekatan tidak selalu melibatkan pusat dari cluster itu. Kelebihan k-means adalah (Kardi dan Barakbah, 2007): a. Dengan jumlah variabel yang besar, k-means dapat berjalan lebih cepat daripada hierchical clustering (jika K kecil). b. K-means memungkinkan hasil yang lebih rapat daripada hierarchical clustering, terutama jika cluster berbentuk bola/lingkaran. Selain memiliki kelebihan, k-means juga memiliki kekurangan. Kekurangan dari algoritma k- means ini adalah (Kardi dan Barakbah, 2007): a. Kesulitan dalam membandingkan kualitas dari hasil cluster (seperti untuk perbedaan pembagian awal atau nilai dari K yang mempengaruhi hasil). b. Jumlah cluster yang tepat dapat membuat kesulitan dalam memprediksi berapakah K 329

3 seharusnya. c. Tidak akan bekerja dengan baik dengan cluster yang tidak berbentuk bulat. d. Pembagian awal yang berbeda dapat menghasilkan akhir cluster yang berbeda. Hal ini membantu untuk menjalankan kembali program menggunakan nilai K yang berbeda, untuk perbandingan hasil akhir yang diperoleh. Berikut adalah langkah-langkah dalam memproses algoritma k-means (Larose, 2005): a. Langkah Pertama: Buatlah dalam tabel item yang telah dikelompokkan. b. Langkah Kedua: Secara sembarang, pilihlah k buah pusat kelompok sebagai pusat-pusat kelompok awal. c. Langkah Ketiga: Untuk setiap item yang telah dikelompokkan, tentukan pusat kelompok terdekatnya dan tetapkan catatan tersebut sebagai anggota dari kelompok yang terdekat pusat kelompoknya. Hitung rasio antara besaran Between Cluster Variation dengan Within Cluster Variation, lalu bandingkan rasio tersebut dengan rasio sebelumnya (bila sudah ada). Jika rasio tersebut membesar, maka lanjutkan ke langkah keempat. Jika tidak, maka hentikan prosesnya. d. Langkah Keempat: Perbarui pusat-pusat kelompok (berdasarkan kelompok yang didapat dari langkah ketiga) dan kembalilah ke langkah ketiga. 1.4 Algoritma Apriori Algoritma apriori adalah suatu algoritma yang sudah sangat dikenal dalam melakukan pencarian frequent itemset dengan menggunakan teknik aturan asosiasi. Algoritma ini pertama kali diajukan oleh R. Agrawal dan R. Srikant pada tahun Algoritma apriori menggunakan knowledge untuk menentukan frequent itemset, setelah itu memproses hasil tersebut menjadi informasi yang digunakan untuk menghasilkan kandidat-kandidat yang mungkin berhubungan. Terdapat 2 proses utama yang dilakukan dalam algoritma apriori, yaitu (Han dan Kamber, 2001): a. Join (penggabungan): Pada proses ini, setiap item dikombinasikan dengan item yang lainnya sampai tidak terbentuk kombinasi lagi. b. Prune (pemangkasan): Pada proses ini, hasil dari item yang telah dikombinasikan tadi lalu dipangkas dengan menggunakan minimum support yang telah ditentukan oleh user. Algoritma apriori melakukan pendekatan iteratif yang dikenal dengan pencarian level-wise, dimana k- itemset digunakan untuk mengeksplorasi atau menemukan (k+1)-itemset. Oleh karena itu, algoritma apriori dibagi menjadi beberapa tahap yang disebut iterasi. Tiap iterasi menghasilkan pola frekuensi tinggi (frequent itemset). Sifat apriori adalah setiap subset frequent-itemset harus menjadi frequent-itemset. Algoritma apriori untuk menemukan frequent-itemset yang merupakan iterasi pada data. Pada iterasi ke-k ditemukan semua himpunan item-item yang mempunyai k item yang disebut k-itemset. Setiap iterasi terdiri dari dua tahap. Pertama, adalah tahap pembangkitan kandidat (candidate generation) dimana himpunan semua frequent(k 1)-itemset Fk-1 yang ditemukan pada pass ke-(k 1) digunakan untuk membangkitkan kandidat itemset Ck. Prosedur pembangkitan kandidat menjamin bahwa Ck adalah superset dari himpunan semua frequent k-itemset. Kemudian data di-scan dalam tahap Penghitungan Support (Support Counting). Pada akhir pass Ck diperiksa untuk menentukan kandidat mana yang sering muncul, menghasilkan Fk. Penghitungan support berakhir ketika Fk atau Ck+1 kosong. Untuk membangkitkan rule akan dibangkitkan lebih dahulu candidate rule. Candidate rule berisi semua kemungkinan rule yang memiliki support > minimum support, karena input candidate rule adalah frequent-itemset. Kemudian candidate rule akan di-join dengan tabel F untuk menemukan support antecedent. Confidence rule dihitung dengan cara membandingkan support rule dengan support antecedent rule. Hanya rule yang mempunyai confidence > minimum confidence yang disimpan dalam tabel rule (tabel R). 2. PEMBAHASAN 2.1 Analisis Pada tahapan analisis dilakukan analisis pada aplikasi yang akan dikembangkan, yaitu analisis proses dan analisis kebutuhan. Analisis proses menjelaskan cara kerja dari metode/algoritma yang akan digunakan dalam bentuk flowchart seperti Gambar 1 dan 2 berikut ini. Gambar 1. Flowchart Algoritma K-Means 330

4 berfungsi untuk menampilkan informasi tentang pembuat aplikasi. Tombol tutup berfungsi untuk menutup form secara keseluruhan. Gambar 4. Tampilan Form Utama Pada form update database, user dapat menambahkan data kode barang, nama barang, dan harga barang. Sebelum user memproses data, maka terlebih dahulu user harus meng-update data pada form update database, dengan tampilan seperti terlihat pada Gambar 5. Gambar 2. Flowchart Algoritma Apriori Analisis kebutuhan mendeskripsikan fitur-fitur yang harus dipenuhi oleh aplikasi dalam bentuk use case diagram seperti Gambar 3 berikut ini. Gambar 5. Tampilan Form Update Database Pada form proses, user dapat memulai proses perhitungan memakai algoritma k-means dan apriori. Melalui form proses, sistem akan secara otomatis memproses data dari database memakai algoritma k-means dan apriori dan menampilkan hasil dari perhitungan tersebut, dengan tampilan seperti terlihat pada Gambar 6. Gambar 3. Use Case Diagram 2.2 Hasil Rancangan Bagian ini menunjukkan tampilan antarmuka pada aplikasi yang dikembangkan. Pada form utama yang ditunjukkan pada Gambar 4 terdapat 4 tombol, yaitu Proses, Update Database, Info, dan Tutup. Tombol proses berfungsi untuk menampilkan proses perhitungan memakai algoritma k-means dan apriori. Tombol update database berfungsi untuk menampilkan proses mengubah, meng-update, dan menghapus data pada database. Tombol info Gambar 6. Tampilan Form Proses 331

5 2.3 Pengujian Pengujian terhadap aplikasi dilakukan dengan membandingkan algoritma k-means dan apriori dalam menentukan barang yang dibeli oleh konsumen, dimana parameternya dilihat dari kecepatan memproses data. Tabel 1 dan 2 merupakan data barang dan transaksi yang digunakan untuk melakukan pengujian aplikasi. Tabel 1. Daftar Barang Untuk Pengujian Kode Barang Nama Barang Harga N1 Kalung 30 N2 Gelang 20 N3 Topi 15 N4 T-shirt 80 N5 Kebaya 180 N6 Kemeja 150 N7 Celana Pendek 120 N8 Celana Panjang 140 N9 Jaket 170 N10 Jeans 160 Tabel 2. Data Transaksi Untuk Pengujian Kode T01 T02 T03 T04 T05 T06 T07 T08 T09 T10 Item N1, N2 N2, N4 N5 N7, N8, N3, N4 N9, N10, N1 N3, N4, N9 N8, N4, N2 N10, N5, N6, N1, N2 N6, N5, N1 N7, N6, N3 Langkah berikutnya akan dilakukan pengujian terhadap transaksi di Tabel 2 dengan menggunakan algoritma apriori. Hasilnya ditunjukkan pada Tabel 3 berikut ini. Tabel 3. Hasil Pengujian Apriori Iterasladat Jum- Kandi- Item Set Support 1 N Ya 1 N Ya 1 N Tidak 1 N Ya 1 N Tidak 1 N Tidak 1 N Tidak 1 N Tidak 1 N Tidak 1 N Tidak 2 N1, N Ya 2 N1, N Tidak 2 N2, N Ya 3 N1, N2, N Ya Kemudian dilakukan pengujian hasil confidence, dimana hasilnya ditunjukkan pada Tabel 4 berikut ini. Tabel 4. Pengujian Hasil Confidence X Y Confidence N1, N2 N4 0 N1, N4 N2 0 N2, N4 N1 0 Waktu yang dibutuhkan apriori dalam memproses data tersebut adalah 160 millisecond. Selanjutnya akan dilakukan pengujian dengan mengunakan algoritma k-means dengan hasilnya ditunjukkan pada Tabel 5 berikut ini. Tabel 5. Hasil Pengujian K-Means Iterasi Cluster Anggota Pusat 1 1 T1, T T T6, T7, T T4, T5, T T T1, T T T6, T7, T T4, T5, T T T1, T T T6, T7, T T4, T5, T T T1, T T T6, T7, T T4, T5, T T Kemudian dilakukan pengujian BCV/WCV, dimana hasilnya ditunjukkan pada Tabel 6 berikut ini. Tabel 6. Hasil Pengujian BCV/WCV Iterasi BCV/WCV Transaksi Terdekat T3, T8 Waktu yang dibutuhkan k-means dalam memproses data tersebut adalah 115 millisecond. Dari pengujian di atas diketahui bahwa algoritma k-means lebih cepat dibandingkan algoritma apriori dalam menentukan barang yang sering dibeli oleh konsumen. 332

6 3. KESIMPULAN Dari penelitian yang dilakukan, dapat disimpulkan bahwa algoritma k-means lebih cepat dalam menentukan barang yang sering dibeli oleh konsumen dibandingkan dengan algoritma apriori. Dari algoritma k-means dan apriori, user (pengelola e-commerce) bisa melihat item yang sama pada kedua algoritma, kemudian menambah item tersebut. Untuk penelitian selanjutnya, di dalam menentukan item yang paling banyak dibeli oleh pelanggan, diperlukan keterangan dari item tersebut untuk memudahkan pengelola e-commerce dalam mengindentifikasi item tersebut. Diperlukan perbaikan di kesimpulan item yang paling banyak dibeli yang di-input secara otomatis. PUSTAKA Han, J. and Kamber, M., Data Mining, Concepts and Technique. San Francisco: Morgan Kaufmann Punlishers. Kardi, A. and Barakbah, A. R., Hierarchical K-means: An Algorithm for Centroids Initialization for K-means. Journal of The Faculty of Science and Engineering, Vol. 36, No. 1 (pp ). Japan: Saga University. Larose, D. T., Discovering Knowledge in Data, An Introduction to Data Mining. John Willey & Son, Inc. Santosa, B., Data Mining, Teknik Pemanfaatan Data untuk Keperluan Bisnis. Yogyakarta: Graha Ilmu. Turban, E., Decision Support System and Intelligent Systems. Yogyakarta: Andi Offset. 333

ANALISA DAN PERANCANGAN APLIKASI ALGORITMA APRIORI UNTUK KORELASI PENJUALAN PRODUK (STUDI KASUS : APOTIK DIORY FARMA)

ANALISA DAN PERANCANGAN APLIKASI ALGORITMA APRIORI UNTUK KORELASI PENJUALAN PRODUK (STUDI KASUS : APOTIK DIORY FARMA) ANALISA DAN PERANCANGAN APLIKASI ALGORITMA APRIORI UNTUK KORELASI PENJUALAN PRODUK (STUDI KASUS : APOTIK DIORY FARMA) Harvei Desmon Hutahaean 1, Bosker Sinaga 2, Anastasya Aritonang Rajagukguk 2 1 Program

Lebih terperinci

Pengembangan Aplikasi Market Basket Analysis Menggunakan Algoritma Generalized Sequential Pattern pada Supermarket

Pengembangan Aplikasi Market Basket Analysis Menggunakan Algoritma Generalized Sequential Pattern pada Supermarket Pengembangan Aplikasi Market Basket Analysis Menggunakan Algoritma Generalized Sequential Pattern pada Supermarket Gunawan 1), Alex Xandra Albert Sim 2), Fandi Halim 3), M. Hawari Simanullang 4), M. Firkhan

Lebih terperinci

APLIKASI DATA MINING ANALISIS DATA TRANSAKSI PENJUALAN OBAT MENGGUNAKAN ALGORITMA APRIORI (Studi Kasus di Apotek Setya Sehat Semarang)

APLIKASI DATA MINING ANALISIS DATA TRANSAKSI PENJUALAN OBAT MENGGUNAKAN ALGORITMA APRIORI (Studi Kasus di Apotek Setya Sehat Semarang) Hapsari Dita Anggraeni, Ragil Saputra, Beta Noranita APLIKASI DATA MINING ANALISIS DATA TRANSAKSI PENJUALAN OBAT MENGGUNAKAN ALGORITMA APRIORI (Studi Kasus di Apotek Setya Sehat Semarang) Hapsari Dita

Lebih terperinci

2.2 Data Mining. Universitas Sumatera Utara

2.2 Data Mining. Universitas Sumatera Utara Basis data adalah kumpulan terintegrasi dari occurences file/table yang merupakan representasi data dari suatu model enterprise. Sistem basisdata sebenarnya tidak lain adalah sistem penyimpanan-record

Lebih terperinci

APLIKASI DATA MINING UNTUK MENAMPILKAN INFORMASI TINGKAT KELULUSAN MAHASISWA

APLIKASI DATA MINING UNTUK MENAMPILKAN INFORMASI TINGKAT KELULUSAN MAHASISWA APLIKASI DATA MINING UNTUK MENAMPILKAN INFORMASI TINGKAT KELULUSAN MAHASISWA Yuli Asriningtias, Rodhyah Mardhiyah Program Studi Teknik Informatika Fakultas Bisnis & Teknologi Informasi, Universitas Teknologi

Lebih terperinci

BAB I PENDAHULUAN. Data mining memungkinkan penemuan pola-pola yang menarik, informasi yang

BAB I PENDAHULUAN. Data mining memungkinkan penemuan pola-pola yang menarik, informasi yang 1 BAB I PENDAHULUAN Bab pendahuluan ini membahas tentang latar belakang masalah yaitu fenomena perkembangan data yang terus bertambah tetapi informasi yang dihasilkan monoton, sehingga diperlukan data

Lebih terperinci

Implementasi data mining menggunakan metode apriori (studi kasus transaksi penjualan barang)

Implementasi data mining menggunakan metode apriori (studi kasus transaksi penjualan barang) Implementasi data mining menggunakan metode apriori (studi kasus transaksi penjualan barang) Maya Suhayati,M.Kom. Jurusan Teknik Informatika, STMIK Sumedang mayasuh@stmik-sumedang.ac.id ABSTRAK Dalam suatu

Lebih terperinci

PENCARIAN ATURAN ASOSIASI MENGGUNAKAN ALGORITMA APRIORI SEBAGAI BAHAN REKOMENDASI STRATEGI PEMASARAN PADA TOKO ACIICA

PENCARIAN ATURAN ASOSIASI MENGGUNAKAN ALGORITMA APRIORI SEBAGAI BAHAN REKOMENDASI STRATEGI PEMASARAN PADA TOKO ACIICA PENCARIAN ATURAN ASOSIASI MENGGUNAKAN ALGORITMA APRIORI SEBAGAI BAHAN REKOMENDASI STRATEGI PEMASARAN PADA TOKO ACIICA SKRIPSI Diajukan untuk Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Komputer

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB 1 PENDAHULUAN 1.1 Latar Belakang Saat ini, perkembangan teknologi telah memberikan pengaruh yang sangat besar di dalam kehidupan manusia. Salah satu pengaruh tersebut di bidang informasi yaitu dalam

Lebih terperinci

BAB II TINJAUAN PUSTAKA. pengetahuan di dalam database. Data mining adalah proses yang menggunakan

BAB II TINJAUAN PUSTAKA. pengetahuan di dalam database. Data mining adalah proses yang menggunakan 6 BAB II TINJAUAN PUSTAKA 2.1 Pengertian Data Mining Data mining adalah suatu istilah yang digunakan untuk menguraikan penemuan pengetahuan di dalam database. Data mining adalah proses yang menggunakan

Lebih terperinci

SKRIPSI TI S1 FIK UDINUS 1

SKRIPSI TI S1 FIK UDINUS 1 SKRIPSI TI S FIK UDINUS PENERAPAN ASSOCIATION RULE DENGAN ALGORITMA APRIORI UNTUK MENAMPILKAN INFORMASI TINGKAT KELULUSAN MAHASISWA TEKNIK INFORMATIKA S FAKULTAS ILMU KOMPUTER UNIVERSITAS DIAN NUSWANTORO

Lebih terperinci

ANALISA POLA PEMILIHAN PROGRAM STUDI BAGI CALON MAHASISWA DI UNIVERSITAS ABDURRAB MENGGUNAKAN ASSOCIATION RULE

ANALISA POLA PEMILIHAN PROGRAM STUDI BAGI CALON MAHASISWA DI UNIVERSITAS ABDURRAB MENGGUNAKAN ASSOCIATION RULE ANALISA POLA PEMILIHAN PROGRAM STUDI BAGI CALON MAHASISWA DI UNIVERSITAS ABDURRAB MENGGUNAKAN ASSOCIATION RULE Diki Arisandi 1, Nofriandi 2 Jurusan Teknik Informatika, FakultTeknik,Universitas Abdurrab

Lebih terperinci

IMPLEMENTASI DATA MINING DENGAN ALGORITMA APRIORI PADA TOKO BANGUNAN UD. RUFI SENTOSA JAYA SAMBIREJO - PARE

IMPLEMENTASI DATA MINING DENGAN ALGORITMA APRIORI PADA TOKO BANGUNAN UD. RUFI SENTOSA JAYA SAMBIREJO - PARE IMPLEMENTASI DATA MINING DENGAN ALGORITMA APRIORI PADA TOKO BANGUNAN UD. RUFI SENTOSA JAYA SAMBIREJO - PARE SKRIPSI Diajukan Untuk Memenuhi Sebagian Syarat Guna Memperoleh Gelar Sarjana Komputer (S.Kom.)

Lebih terperinci

BAB I PENDAHULUAN 1.1. Latar Belakang

BAB I PENDAHULUAN 1.1. Latar Belakang BAB I PENDAHULUAN Pada bab ini berisi tentang latar belakang pembuatan dari aplikasi penentuan rekomendasi pencarian buku perpustakaan menggunakan algoritma fp-growth, rumusan masalah, tujuan, batasan

Lebih terperinci

DATA MINING ANALISA POLA PEMBELIAN PRODUK DENGAN MENGGUNAKAN METODE ALGORITMA APRIORI

DATA MINING ANALISA POLA PEMBELIAN PRODUK DENGAN MENGGUNAKAN METODE ALGORITMA APRIORI DATA MINING ANALISA POLA PEMBELIAN PRODUK DENGAN MENGGUNAKAN METODE ALGORITMA APRIORI Heroe Santoso 1), I Putu Hariyadi 2), Prayitno 3) 1), 2),3) Teknik Informatika STMIK Bumigora Mataram Jl Ismail Marzuki

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB 1 PENDAHULUAN 1.1 Latar Belakang Perusahaan ritel yang menyediakan berbagai kebutuhan berkembang pesat bukan hanya di kota besar saja tetapi juga di kota-kota kecil. Untuk memperoleh keuntungan yang

Lebih terperinci

ANALISA POLA DATA HASIL PEMBANGUNAN KABUPATEN MALANG MENGGUNAKAN METODE ASSOCIATION RULE

ANALISA POLA DATA HASIL PEMBANGUNAN KABUPATEN MALANG MENGGUNAKAN METODE ASSOCIATION RULE ANALISA POLA DATA HASIL PEMBANGUNAN KABUPATEN MALANG MENGGUNAKAN METODE ASSOCIATION RULE Dewi Sibagariang 1), Karina Auliasari 2) 1.2) Jurusan Teknik Informatika, Institut Teknologi Nasional Malang Jalan

Lebih terperinci

JURNAL IMPLEMENTASI DATA MINING UNTUK MEMPREDIKSI HASIL PENJUALAN BARANG PADA TOKO SINAR BARU DENGAN MENGGUNAKAN ALGORITMA APRIORI

JURNAL IMPLEMENTASI DATA MINING UNTUK MEMPREDIKSI HASIL PENJUALAN BARANG PADA TOKO SINAR BARU DENGAN MENGGUNAKAN ALGORITMA APRIORI JURNAL IMPLEMENTASI DATA MINING UNTUK MEMPREDIKSI HASIL PENJUALAN BARANG PADA TOKO SINAR BARU DENGAN MENGGUNAKAN ALGORITMA APRIORI IMPLEMENTATION OF DATA MINING TO PREDICT RESULTS OF SALES GOODS IN THE

Lebih terperinci

JURNAL IMPLEMENTASI DATA MINING PADA TRANSAKSI PENJUALAN BIBIT BUAH DENGAN ALGORITMA APRIORI (STUDI KASUS: UD BUAH ASRI)

JURNAL IMPLEMENTASI DATA MINING PADA TRANSAKSI PENJUALAN BIBIT BUAH DENGAN ALGORITMA APRIORI (STUDI KASUS: UD BUAH ASRI) JURNAL IMPLEMENTASI DATA MINING PADA TRANSAKSI PENJUALAN BIBIT BUAH DENGAN ALGORITMA APRIORI (STUDI KASUS: UD BUAH ASRI) IMPLEMENTATION DATA MINING OF SALES TRANSACTION FRUIT SEEDLING WITH ALGORITHM APRIORI

Lebih terperinci

BAB 2 TINJAUAN PUSTAKA

BAB 2 TINJAUAN PUSTAKA BAB 2 TINJAUAN PUSTAKA Pada tinjauan pustaka ini akan dibahas tentang konsep dasar dan teori-teori yang mendukung pembahasan yang berhubungan dengan sistem yang akan dibuat. 2.1 Basis Data (Database) Database

Lebih terperinci

TINJAUAN PUSTAKA Data Mining

TINJAUAN PUSTAKA Data Mining 25 TINJAUAN PUSTAKA 2.1. Data Mining Definisi sederhana dari data mining adalah ekstraksi informasi atau pola yang penting atau menarik dari data yang ada di database. Secara lengkap, Data mining merupakan

Lebih terperinci

ANALISIS KETERKAITAN DATA TRANSAKSI PENJUALAN BUKU MENGGUNAKAN ALGORITMA APRIORI DAN ALGORITMA CENTROID LINKAGE HIERARCHICAL METHOD (CLHM)

ANALISIS KETERKAITAN DATA TRANSAKSI PENJUALAN BUKU MENGGUNAKAN ALGORITMA APRIORI DAN ALGORITMA CENTROID LINKAGE HIERARCHICAL METHOD (CLHM) ANALISIS KETERKAITAN DATA TRANSAKSI PENJUALAN BUKU MENGGUNAKAN ALGORITMA APRIORI DAN ALGORITMA CENTROID LINKAGE HIERARCHICAL METHOD (CLHM) Nurani 1, Hamdan Gani 2 1 nurani_nanni@yahoo.com, 2 hamdan.gani.inbox@gmail.com

Lebih terperinci

PERBANDINGAN ALGORITMA APRIORI DAN ALGORITMA FP-GROWTH UNTUK PEREKOMENDASI PADA TRANSAKSI PEMINJAMAN BUKU DI PERPUSTAKAAN UNIVERSITAS DIAN NUSWANTORO

PERBANDINGAN ALGORITMA APRIORI DAN ALGORITMA FP-GROWTH UNTUK PEREKOMENDASI PADA TRANSAKSI PEMINJAMAN BUKU DI PERPUSTAKAAN UNIVERSITAS DIAN NUSWANTORO PERBANDINGAN ALGORITMA APRIORI DAN ALGORITMA FP-GROWTH UNTUK PEREKOMENDASI PADA TRANSAKSI PEMINJAMAN BUKU DI PERPUSTAKAAN UNIVERSITAS DIAN NUSWANTORO Rizky Mei Anggraeni Program Studi Teknik Informatika,

Lebih terperinci

Penerapan Association Rule Apriori dalam Aplikasi Business Analytic terhadap Data Kelulusan di UNIVERSITAS SEBELAS MARET (UNS)

Penerapan Association Rule Apriori dalam Aplikasi Business Analytic terhadap Data Kelulusan di UNIVERSITAS SEBELAS MARET (UNS) Penerapan Association Rule Apriori dalam Aplikasi Business Analytic terhadap Data Kelulusan di UNIVERSITAS SEBELAS MARET (UNS) Benny Arif Pratama Informatika, Fakultas MIPA, Universitas Sebelas Maret Jl.

Lebih terperinci

PENERAPAN ASSOCIATION RULE DENGAN ALGORITMA APRIORI PADA TRANSAKSI PENJUALAN DI MINIMARKET SKRIPSI. Diajukan Untuk Memenuhi Sebagian Syarat Guna

PENERAPAN ASSOCIATION RULE DENGAN ALGORITMA APRIORI PADA TRANSAKSI PENJUALAN DI MINIMARKET SKRIPSI. Diajukan Untuk Memenuhi Sebagian Syarat Guna PENERAPAN ASSOCIATION RULE DENGAN ALGORITMA APRIORI PADA TRANSAKSI PENJUALAN DI MINIMARKET SKRIPSI Diajukan Untuk Memenuhi Sebagian Syarat Guna Memperoleh Gelar Sarjana Komputer (S.Kom) Pada Program Studi

Lebih terperinci

Penerapan Metode Fuzzy C-Means dengan Model Fuzzy RFM (Studi Kasus : Clustering Pelanggan Potensial Online Shop)

Penerapan Metode Fuzzy C-Means dengan Model Fuzzy RFM (Studi Kasus : Clustering Pelanggan Potensial Online Shop) 157 Penerapan Metode Fuzzy C-Means dengan Model Fuzzy RFM (Studi Kasus : Clustering Pelanggan Potensial Online Shop) Elly Muningsih AMIK BSI Yogyakarta E-Mail : elly.emh@bsi.ac.id Abstrak Berkembangnya

Lebih terperinci

Klasifikasi Data Karyawan Untuk Menentukan Jadwal Kerja Menggunakan Metode Decision Tree

Klasifikasi Data Karyawan Untuk Menentukan Jadwal Kerja Menggunakan Metode Decision Tree Klasifikasi Data Karyawan Untuk Menentukan Jadwal Kerja Menggunakan Metode Decision Tree Disusun oleh : Budanis Dwi Meilani Achmad dan Fauzi Slamat Jurusan Sistem Informasi Fakultas Teknologi Informasi.

Lebih terperinci

BAB I PENDAHULUAN. efektivitas dan efisiensi kerja tercapai. STIKOM Surabaya merupakan salah

BAB I PENDAHULUAN. efektivitas dan efisiensi kerja tercapai. STIKOM Surabaya merupakan salah BAB I PENDAHULUAN 1.1 Latar belakang masalah Solusi pemanfaatan teknologi komputer sebagai alat bantu dalam mendukung kegiatan operasional suatu bidang usaha memudahkan manusia dalam mendapatkan data atau

Lebih terperinci

PENERAPAN METODE ASOSIASI DATA MINING MENGGUNAKAN ALGORITMA APRIORI UNTUK MENGETAHUI KOMBINASI ANTAR ITEMSET PADA PONDOK KOPI

PENERAPAN METODE ASOSIASI DATA MINING MENGGUNAKAN ALGORITMA APRIORI UNTUK MENGETAHUI KOMBINASI ANTAR ITEMSET PADA PONDOK KOPI PENERAPAN METODE ASOSIASI DATA MINING MENGGUNAKAN ALGORITMA APRIORI UNTUK MENGETAHUI KOMBINASI ANTAR ITEMSET PADA PONDOK KOPI Fitri Nurchalifatun Fakultas Ilmu Komputer, Universitas Dian Nuswantoro, Jl.

Lebih terperinci

Data Mining Dengan Algoritma Apriori untuk Penentuan Aturan Asosiasi Pola Pembelian Pupuk

Data Mining Dengan Algoritma Apriori untuk Penentuan Aturan Asosiasi Pola Pembelian Pupuk Data Mining Dengan Algoritma Apriori untuk Penentuan Aturan Asosiasi Pola Pembelian Pupuk Amrin Program Studi Teknik Komputer AMIK Bina Sarana Informatika Jakarta Jl. R.S Fatmawati no. 24 Pondok Labu,

Lebih terperinci

Journal of Informatics and Technology, Vol 2, No 2, Tahun 2013, p

Journal of Informatics and Technology, Vol 2, No 2, Tahun 2013, p Journal of Informatics and Technology, Vol 2, No 2, Tahun 2013, p 22-28 http://ejournal-s1.undip.ac.id/index.php/joint APLIKASI DATA MINING ANALISIS DATA TRANSAKSI PENJUALAN OBAT MENGGUNAKAN ALGORITMA

Lebih terperinci

IMPLEMENTASI ALGORITMA APRIORI UNTUK MENEMUKAN FREQUENT ITEMSET DALAM KERANJANG BELANJA

IMPLEMENTASI ALGORITMA APRIORI UNTUK MENEMUKAN FREQUENT ITEMSET DALAM KERANJANG BELANJA Teknologi Elektro, Vol. 15, No.2, Juli - Desember 2016 27 IMPLEMENTASI ALGORITMA APRIORI UNTUK MENEMUKAN FREQUENT ITEMSET DALAM KERANJANG BELANJA Adie Wahyudi Oktavia Gama 1, I Ketut Gede Darma Putra 2,

Lebih terperinci

Assocation Rule. Data Mining

Assocation Rule. Data Mining Assocation Rule Data Mining Association Rule Analisis asosiasi atau association rule mining adalah teknik data mining untuk menemukan aturan assosiatif antara suatu kombinasi item. Aturan yang menyatakan

Lebih terperinci

Decision Support on Supply Chain Management System Using Apriori Data Mining Algorithm

Decision Support on Supply Chain Management System Using Apriori Data Mining Algorithm Decision Support on Supply Chain Management System Using Apriori Data Mining Algorithm Eka Widya Sari, Ahmad Rianto, Siska Diatinari Andarawarih College Of Informatics And Computer Engineering Indonesia

Lebih terperinci

BAB II TINJAUAN PUSTAKA. Bab ini menguraikan tentang teori-teori penunjang yang dipakai dalam

BAB II TINJAUAN PUSTAKA. Bab ini menguraikan tentang teori-teori penunjang yang dipakai dalam 12 BAB II TINJAUAN PUSTAKA Bab ini menguraikan tentang teori-teori penunjang yang dipakai dalam melakukan penelitian data mining dengan metode asosiasi menggunakan algoritma apriori yang terdiri dari state

Lebih terperinci

PENERAPAN METODE ASSOCIATION RULE MENGGUNAKAN ALGORITMA APRIORI PADA SIMULASI PREDIKSI HUJAN WILAYAH KOTA BANDUNG

PENERAPAN METODE ASSOCIATION RULE MENGGUNAKAN ALGORITMA APRIORI PADA SIMULASI PREDIKSI HUJAN WILAYAH KOTA BANDUNG PENERAPAN METODE ASSOCIATION RULE MENGGUNAKAN ALGORITMA APRIORI PADA SIMULASI PREDIKSI HUJAN WILAYAH KOTA BANDUNG Mohamad Fauzy 1, Kemas Rahmat Saleh W 2, Ibnu Asror 3 123 Fakultas Informatika Telkom University

Lebih terperinci

BAB 2 LANDASAN TEORI. Pada bab ini akan dibahas tentang konsep dasar dan teori-teori pendukung yang berhubungan dengan sistem yang akan dibangun.

BAB 2 LANDASAN TEORI. Pada bab ini akan dibahas tentang konsep dasar dan teori-teori pendukung yang berhubungan dengan sistem yang akan dibangun. BAB 2 LANDASAN TEORI Pada bab ini akan dibahas tentang konsep dasar dan teori-teori pendukung yang berhubungan dengan sistem yang akan dibangun. 2.1. Data Mining Data mining adalah suatu istilah yang digunakan

Lebih terperinci

BAB I PENDAHULUAN Latar Belakang Masalah

BAB I PENDAHULUAN Latar Belakang Masalah BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Ketika disodori sejumlah data dari suatu obyek atau kejadian, apa yang bisa dilakukan terhadap data untuk menindaklanjutinya? Data perlu diolah untuk mendapatkan

Lebih terperinci

IMPLEMENTASI DATA MINING MENGGUNAKAN METODE APRIORI PADA TRANSAKSI PENJUALAN BARANG (STUDI KASUS DI CHORUS MINIMARKET)

IMPLEMENTASI DATA MINING MENGGUNAKAN METODE APRIORI PADA TRANSAKSI PENJUALAN BARANG (STUDI KASUS DI CHORUS MINIMARKET) Implementasi Data Mining Menggunakan Metode Apriori Pada Transaksi Penjualan Barang (Studi Kasus Di Chorus Minimarket) IMPLEMENTASI DATA MINING MENGGUNAKAN METODE APRIORI PADA TRANSAKSI PENJUALAN BARANG

Lebih terperinci

Penerapan Stuktur FP-Tree dan Algoritma FP-Growth dalam Optimasi Penentuan Frequent Itemset

Penerapan Stuktur FP-Tree dan Algoritma FP-Growth dalam Optimasi Penentuan Frequent Itemset Penerapan Stuktur FP-Tree dan Algoritma FP-Growth dalam Optimasi Penentuan Frequent Itemset David Samuel/NIM :13506081 1) 1) Program Studi Teknik Informatika, Sekolah Teknik Elektro dan Informatika Institut

Lebih terperinci

BAB 1 PENDAHULUAN Latar Belakang

BAB 1 PENDAHULUAN Latar Belakang Bab 1 Pendahuluan BAB 1 PENDAHULUAN 1.1. Latar Belakang Pada era globalisasi saat ini, perkembangan teknologi tidak dapat dihindarkan dalam kehidupan manusia. Perkembangan teknologi yang ada, memiliki

Lebih terperinci

Analisis asosiasi Penguasaan ICT Mahasiswa Baru dan Pencapaian Prestasi Akademik Mahasiswa dengan Algoritma Apriori.

Analisis asosiasi Penguasaan ICT Mahasiswa Baru dan Pencapaian Prestasi Akademik Mahasiswa dengan Algoritma Apriori. SEMINAR NASIONAL MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2016 Analisis asosiasi Penguasaan ICT Mahasiswa Baru dan Pencapaian Prestasi Akademik Mahasiswa dengan Algoritma Apriori. Kuswari Hernawati 1,

Lebih terperinci

SISTEM REKOMENDASI PEMESANAN SPAREPART DENGAN ALGORITMA FP-GROWTH (STUDI KASUS PT. ROSALIA SURAKARTA)

SISTEM REKOMENDASI PEMESANAN SPAREPART DENGAN ALGORITMA FP-GROWTH (STUDI KASUS PT. ROSALIA SURAKARTA) SISTEM REKOMENDASI PEMESANAN SPAREPART DENGAN ALGORITMA FP-GROWTH (STUDI KASUS PT. ROSALIA SURAKARTA) Nur Rohman Ardani 1), Nur Fitrina 2) 1) Magister Teknik Informatika STMIK AMIKOM Yogyakarta 2) Teknik

Lebih terperinci

RANCANG BANGUN SISTEM PENGAMBILAN KEPUTUSAN UNTUK PREDIKSI PEMBELIAN BARANG PADA DISTRIBUTOR LUKCY JAYA MOTOR BERBASIS WEB MENGGUNAKAN METODE APRIORI

RANCANG BANGUN SISTEM PENGAMBILAN KEPUTUSAN UNTUK PREDIKSI PEMBELIAN BARANG PADA DISTRIBUTOR LUKCY JAYA MOTOR BERBASIS WEB MENGGUNAKAN METODE APRIORI RANCANG BANGUN SISTEM PENGAMBILAN KEPUTUSAN UNTUK PREDIKSI PEMBELIAN BARANG PADA DISTRIBUTOR LUKCY JAYA MOTOR BERBASIS WEB MENGGUNAKAN METODE APRIORI Candra Irawan Amak Yunus 1 Sistem Informasi, Universitas

Lebih terperinci

PENGELOMPOKAN MAHASISWA BERDASARKAN NILAI UJIAN NASIONAL DAN IPK MENGGUNAKAN METODE K-MEANS

PENGELOMPOKAN MAHASISWA BERDASARKAN NILAI UJIAN NASIONAL DAN IPK MENGGUNAKAN METODE K-MEANS PENGELOMPOKAN MAHASISWA BERDASARKAN NILAI UJIAN NASIONAL DAN IPK MENGGUNAKAN METODE K-MEANS Hartatik STMIK Amikom Manajemen Informatika STMIK AMIKOM Yogyakarta Jl. Ringroad Utara, Condong Catur, Depok,

Lebih terperinci

PENERAPAN DATA MINING DALAM ANALISIS KEJADIAN TANAH LONGSOR DI INDONESIA DENGAN MENGGUNAKAN ASSOCIATION RULE ALGORITMA APRIORI

PENERAPAN DATA MINING DALAM ANALISIS KEJADIAN TANAH LONGSOR DI INDONESIA DENGAN MENGGUNAKAN ASSOCIATION RULE ALGORITMA APRIORI PENERAPAN DATA MINING DALAM ANALISIS KEJADIAN TANAH LONGSOR DI INDONESIA DENGAN MENGGUNAKAN ASSOCIATION RULE ALGORITMA APRIORI Dewi Setianingsih, RB Fajriya Hakim Program Studi Statistika Fakultas Matematika

Lebih terperinci

BAB I PENDAHULUAN Latar Belakang

BAB I PENDAHULUAN Latar Belakang BAB I PENDAHULUAN 1.1. Latar Belakang Perkembangan dan persaingan dalam dunia bisnis perdagangan serta kemajuan teknologi informasi merupakan suatu hal yang saling terkait, dalam ketatnya persaingan pasar

Lebih terperinci

IMPLEMENTASI DATA MINING TERHADAP PENYUSUNAN LAYOUT MAKANAN PADA RUMAH MAKAN PADANG MURAH MERIAH

IMPLEMENTASI DATA MINING TERHADAP PENYUSUNAN LAYOUT MAKANAN PADA RUMAH MAKAN PADANG MURAH MERIAH IMPLEMENTASI DATA MINING TERHADAP PENYUSUNAN LAYOUT MAKANAN PADA RUMAH MAKAN PADANG MURAH MERIAH Oliver Zakaria 1), Kusrini 2) 1) Teknik Informatika STMIK AMIKOM Yogyakarta Jl. Ring Road Utara Condong

Lebih terperinci

Aturan assosiatif biasanya dinyatakan dalam bentuk : {roti, mentega} {susu} (support = 40%, confidence = 50%)

Aturan assosiatif biasanya dinyatakan dalam bentuk : {roti, mentega} {susu} (support = 40%, confidence = 50%) ASSOCIATION RULE (ALGORITMA A PRIORI) Algoritma A Priori termasuk jenis aturan asosiasi pada data mining. Selain a priori, yang termasuk pada golongan ini adalah metode generalized rule induction dan algoritma

Lebih terperinci

Jurnal Edik Informatika Penelitian Bidang Komputer Sains dan Pendidikan Informatika V1.i1(52-62)

Jurnal Edik Informatika Penelitian Bidang Komputer Sains dan Pendidikan Informatika V1.i1(52-62) Analisa Pola Peminjaman Buku Perpustakaan Menggun Algoritma Apriori Azwar Anas Program Studi Pendidikan Informatika, STKIP PGRI Sumbar aans_07@yahoo.co.id http://dx.doi.org/10.22202/jei.2014.v1i1.1439

Lebih terperinci

PENERAPAN ASSOCIATION RULE MINING PADA DATA NOMOR UNIK PENDIDIK DAN TENAGA KEPENDIDIKAN

PENERAPAN ASSOCIATION RULE MINING PADA DATA NOMOR UNIK PENDIDIK DAN TENAGA KEPENDIDIKAN PENERAPAN ASSOCIATION RULE MINING PADA DATA NOMOR UNIK PENDIDIK DAN TENAGA KEPENDIDIKAN A M I UNTUK R U D D PENETAPAN I N POLA SERTFIKASI GURU Program Pascasarjana rusan Teknik Elektro Program Studi Telematika

Lebih terperinci

ANALISIS DAN IMPLEMENTASI DATA MINING DENGAN CONTINUOUS ASSOCIATION RULE MINING ALGORITHM (CARMA) UNTUK REKOMENDASI MATA KULIAH PADA PERWALIAN

ANALISIS DAN IMPLEMENTASI DATA MINING DENGAN CONTINUOUS ASSOCIATION RULE MINING ALGORITHM (CARMA) UNTUK REKOMENDASI MATA KULIAH PADA PERWALIAN ANALISIS DAN IMPLEMENTASI DATA MINING DENGAN CONTINUOUS ASSOCIATION RULE MINING ALGORITHM (CARMA) UNTUK REKOMENDASI MATA KULIAH PADA PERWALIAN Dwiaji Nuraryudha 1, Shaufiah 2, Hetti Hidayati 3 1,2,3 Fakultas

Lebih terperinci

APLIKASI MONITORING KETERSEDIAAN STOK BARANG MINIMARKET DENGAN METODE MARKET BASKET ANALYSIS (MBA)

APLIKASI MONITORING KETERSEDIAAN STOK BARANG MINIMARKET DENGAN METODE MARKET BASKET ANALYSIS (MBA) Seminar Nasional Teknologi Informasi dan Multimedia 2016 APLIKASI MONITORING KETERSEDIAAN STOK BARANG MINIMARKET DENGAN METODE MARKET BASKET ANALYSIS (MBA) Sugiyatno 1), Adhika Pramita Widyasari 2) 1),

Lebih terperinci

Cross-Selling: Perangkat Utama Customer Relationship Managem. Meningkatkan Loyalitas Pelanggan

Cross-Selling: Perangkat Utama Customer Relationship Managem. Meningkatkan Loyalitas Pelanggan Cross-Selling: Perangkat Utama Customer Relationship Management (CRM) Untuk Meningkatkan Loyalitas Pelanggan Seminar Kenaikan Jabatan at Department of Information Systems, Faculty of Computer Science,

Lebih terperinci

JURNAL IMPLEMENTASI DATA MINING PADA PEMILIHAN WAHANA PERMAINAN FAVORIT GAME FANTASIA DI KEDIRI MALL

JURNAL IMPLEMENTASI DATA MINING PADA PEMILIHAN WAHANA PERMAINAN FAVORIT GAME FANTASIA DI KEDIRI MALL JURNAL IMPLEMENTASI DATA MINING PADA PEMILIHAN WAHANA PERMAINAN FAVORIT GAME FANTASIA DI KEDIRI MALL IMPLEMENTATION OF DATA MINING ON ELECTION WAHANA GAME FAVORITES GAME FANTASIA IN KEDIRI MALL Oleh: MOCHAMAD

Lebih terperinci

Kata kunci: aplikasi data mining, Association Rule, Apriori, genre lagu, Radio

Kata kunci: aplikasi data mining, Association Rule, Apriori, genre lagu, Radio Aplikasi Data Mining Perhitungan Frekuensi Data Pemutaran lagu dengan metode Association Rule Menggunakan Algoritma Apriori (studi kasus Radio Republik Indonesia ( RRI ) Semarang) Hendra Andhyka Program

Lebih terperinci

BAB III METODE PENELITIAN. Metode penelitian merupakan suatu prosedur beserta tahapan-tahapan yang

BAB III METODE PENELITIAN. Metode penelitian merupakan suatu prosedur beserta tahapan-tahapan yang BAB III METODE PENELITIAN Metode penelitian merupakan suatu prosedur beserta tahapan-tahapan yang tersusun secara jelas dan sistematis guna menyelesaikan suatu permasalahan yang sedang diteliti dengan

Lebih terperinci

ANALISIS ALGORITMA APRIORI UNTUK REKOMENDASI PENEMPATAN BUKU PADA PERPUSTAKAAN

ANALISIS ALGORITMA APRIORI UNTUK REKOMENDASI PENEMPATAN BUKU PADA PERPUSTAKAAN 1 ANALISIS ALGORITMA APRIORI UNTUK REKOMENDASI PENEMPATAN BUKU PADA PERPUSTAKAAN 1 Uma Mazida, 2 Ricardus Anggi Pramunendar, M.Cs Program Studi Teknik Informatika S1 Fakultas Ilmu Komputer Universitas

Lebih terperinci

PENDAHULUAN TINJAUAN PUSTAKA

PENDAHULUAN TINJAUAN PUSTAKA Latar Belakang PENDAHULUAN Begitu banyaknya fungsionalitas dalam penggalian data terkadang membuat kita harus memilih secara seksama. Pemilihan fungsionalitas yang tepat dalam melakukan suatu penggalian

Lebih terperinci

Jurnal Informatika Mulawarman Vol. 12, No. 1, Februari ISSN

Jurnal Informatika Mulawarman Vol. 12, No. 1, Februari ISSN Jurnal Informatika Mulawarman Vol. 12, No. 1, Februari 2017 50 APLIKASI KLASIFIKASI ALGORITMA C4.5 (STUDI KASUS MASA STUDI MAHASISWA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS MULAWARMAN

Lebih terperinci

IMPLEMENTASI ALGORITMA APRIORI PADA APOTEK RMC DALAM MENENTUKAN PERSEDIAAN OBAT

IMPLEMENTASI ALGORITMA APRIORI PADA APOTEK RMC DALAM MENENTUKAN PERSEDIAAN OBAT IMPLEMENTASI ALGORITMA APRIORI PADA APOTEK RMC DALAM MENENTUKAN PERSEDIAAN OBAT Gusti Ahmad Syaripudin Teknik Informatika STMIK El-Rahma Yogyakarta e-mail: first234boy@gmail.com Abstract In daily activities,

Lebih terperinci

PEMODELAN POLA HUBUNGAN KEMAMPUAN LULUSAN UNIVERSITAS LANCANG KUNING DENGAN KEBUTUHAN DUNIA USAHA DAN INDUSTRI

PEMODELAN POLA HUBUNGAN KEMAMPUAN LULUSAN UNIVERSITAS LANCANG KUNING DENGAN KEBUTUHAN DUNIA USAHA DAN INDUSTRI PEMODELAN POLA HUBUNGAN KEMAMPUAN LULUSAN UNIVERSITAS LANCANG KUNING DENGAN KEBUTUHAN DUNIA USAHA DAN INDUSTRI Fana Wiza Program Studi Sistem Informasi Fakultas Ilmu Komputer Universitas Lancang Kuning

Lebih terperinci

APLIKASI PENJADWALAN PENGADAAN BARANG MENGGUNAKAN ALGORITMA APRIORI

APLIKASI PENJADWALAN PENGADAAN BARANG MENGGUNAKAN ALGORITMA APRIORI APLIKASI PENJADWALAN PENGADAAN BARANG MENGGUNAKAN ALGORITMA APRIORI Dahlan Abdullah, Dedi Saputra Program Studi Teknik Informatika, Fakultas Teknik, Universitas Malikussaleh, Aceh, Indonesia 24354 Email

Lebih terperinci

PENERAPAN METODE ASOSIASI MENGGUNAKAN ALGORITMA APRIORI PADA APLIKASI ANALISA POLA BELANJA KONSUMEN (Studi Kasus Toko Buku Gramedia Bintaro)

PENERAPAN METODE ASOSIASI MENGGUNAKAN ALGORITMA APRIORI PADA APLIKASI ANALISA POLA BELANJA KONSUMEN (Studi Kasus Toko Buku Gramedia Bintaro) JURNAL TEKNIK INFORMATIKA VOL 9 NO. 2, OKTOBER 2016 120 PENERAPAN METODE ASOSIASI MENGGUNAKAN ALGORITMA APRIORI PADA APLIKASI ANALISA POLA BELANJA KONSUMEN (Studi Kasus Toko Buku Gramedia Bintaro) Dewi

Lebih terperinci

ANALISA MEDICAL TRANSACTION UNTUK MENGETAHUI BERBAGAI PENYAKIT PADA MASYARAKAT

ANALISA MEDICAL TRANSACTION UNTUK MENGETAHUI BERBAGAI PENYAKIT PADA MASYARAKAT ANALISA MEDICAL TRANSACTION UNTUK MENGETAHUI BERBAGAI PENYAKIT PADA MASYARAKAT PUBLIKASI ILMIAH Disusun sebagai salah satu syarat menyelesaikan Jenjang Strata I pada Jurusan Informatika Fakultas Komunikasi

Lebih terperinci

PENGENALAN POLA TRANSAKSI SIRKULASI BUKU PADA DATABASE PERPUSTAKAAN MENGGUNAKAN ALGORITMA GENERALIZED SEQUENTIAL PATTERN

PENGENALAN POLA TRANSAKSI SIRKULASI BUKU PADA DATABASE PERPUSTAKAAN MENGGUNAKAN ALGORITMA GENERALIZED SEQUENTIAL PATTERN PENGENALAN POLA TRANSAKSI SIRKULASI BUKU PADA DATABASE PERPUSTAKAAN MENGGUNAKAN ALGORITMA GENERALIZED SEQUENTIAL PATTERN Supardi 1, Dian Eka Ratnawati, Wayan Firdaus Mahmudy Universitas Brawijaya Malang

Lebih terperinci

ANALISIS DAN IMPLEMENTASI ALGORITMA FP-GROWTH PADA APLIKASI SMART UNTUK MENENTUKAN MARKET BASKET ANALYSIS PADA USAHA RETAIL (STUDI KASUS : PT.

ANALISIS DAN IMPLEMENTASI ALGORITMA FP-GROWTH PADA APLIKASI SMART UNTUK MENENTUKAN MARKET BASKET ANALYSIS PADA USAHA RETAIL (STUDI KASUS : PT. ANALISIS DAN IMPLEMENTASI ALGORITMA FP-GROWTH PADA APLIKASI SMART UNTUK MENENTUKAN MARKET BASKET ANALYSIS PADA USAHA RETAIL (STUDI KASUS : PT.X) ANALYSIS AND IMPLEMENTATION OF FP-GROWTH ALGORITHM IN SMART

Lebih terperinci

Implementasi Data Mining Algoritme Apriori Pada Sistem Penjualan Kusuma Shop

Implementasi Data Mining Algoritme Apriori Pada Sistem Penjualan Kusuma Shop Implementasi Data Mining Algoritme Apriori Pada Sistem Penjualan Kusuma Shop Lutfi Mukaromah 1, Kusumaningtyas 2, Apriliani Galih Saputri 3, Harleni Vionita 4, Rendi Susilo 5,Tri Astuti 6, Lusi Dwi Oktaviana

Lebih terperinci

1 BAB I 2 PENDAHULUAN

1 BAB I 2 PENDAHULUAN 1 BAB I 2 PENDAHULUAN 1.1 Latar Belakang Data mining merupakan salah satu bidang ilmu yang berupaya untuk menemukan kaidah, pola, model, maupun informasi yang bersifat menarik dari sekumpulan data. Salah

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB 1 PENDAHULUAN 1.1 Latar Belakang Dalam kehidupan sehari-hari kebutuhan akan informasi yang akurat sangat dibutuhkan dalam perkembangan masyarakat saat ini dan waktu mendatang. Namun kebutuhan informasi

Lebih terperinci

MERANCANG SISTEM APLIKASI RULE PENGETAHUAN MENGGUNAKAN ALGORITMA APRIORI PADA TRANSAKSI SWALAYAN HARYS PERDANA NGANJUK SKRIPSI

MERANCANG SISTEM APLIKASI RULE PENGETAHUAN MENGGUNAKAN ALGORITMA APRIORI PADA TRANSAKSI SWALAYAN HARYS PERDANA NGANJUK SKRIPSI MERANCANG SISTEM APLIKASI RULE PENGETAHUAN MENGGUNAKAN ALGORITMA APRIORI PADA TRANSAKSI SWALAYAN HARYS PERDANA NGANJUK SKRIPSI Diajukan Untuk Memenuhi Sebagian Syarat Guna Memperoleh Gelar Sarjana Komputer

Lebih terperinci

ALGORITMA NEAREST NEIGHBOR UNTUK MENENTUKAN AREA PEMASARAN PRODUK BATIK DI KOTA PEKALONGAN

ALGORITMA NEAREST NEIGHBOR UNTUK MENENTUKAN AREA PEMASARAN PRODUK BATIK DI KOTA PEKALONGAN ALGORITMA NEAREST NEIGHBOR UNTUK MENENTUKAN AREA PEMASARAN PRODUK BATIK DI KOTA PEKALONGAN Devi Sugianti Program Studi Sistem Informasi,STMIK Widya Pratama Jl. Patriot 25 Pekalongan Telp (0285)427816 email

Lebih terperinci

Jurnal Ilmiah Komputer dan Informatika (KOMPUTA)

Jurnal Ilmiah Komputer dan Informatika (KOMPUTA) IMPLEMENTASI DATA MINING PADA PENJUALAN PRODUK DI PT. FOCUS GAYA GRAHA MENGGUNAKAN METODE ASSOCIATION RULE Aprisal Budiana Teknik Informatika - Universitas Komputer Indonesia Jl. Dipatiukur 112-114 Bandung

Lebih terperinci

BAB I PENDAHULUAN I-1

BAB I PENDAHULUAN I-1 BAB I PENDAHULUAN 1.1 Latar Belakang Permasalahan Banyaknya persaingan dalam dunia bisnis khususnya dalam industri penjualan, menuntut para pengembang untuk menemukan suatu strategi yang dapat meningkatkan

Lebih terperinci

Implementasi Data Mining dengan Metode Klastering untuk Meramalkan Permintaan Pasar (Studi Kasus PT. Nutrifood Indonesia )

Implementasi Data Mining dengan Metode Klastering untuk Meramalkan Permintaan Pasar (Studi Kasus PT. Nutrifood Indonesia ) Implementasi Data Mining dengan Metode Klastering untuk Meramalkan Permintaan Pasar (Studi Kasus PT. Nutrifood Indonesia ) November 20, 2010 Arimbi Kurniasari Lintang Yuniar Banowosari Alex Hutapea Manajemen

Lebih terperinci

BAB I PENDAHULUAN. 1.1 Latar Belakang

BAB I PENDAHULUAN. 1.1 Latar Belakang BAB I PENDAHULUAN 1.1 Latar Belakang Perpustakaan merupakan tempat dimana seseorang mendapatkan pengetahuan, informasi atau hiburan dengan jumlah kategori yang bervarian seperti ilmiah, non fiksi, komedi,

Lebih terperinci

BAB V IMPLEMENTASI DAN PENGUJIAN SISTEM

BAB V IMPLEMENTASI DAN PENGUJIAN SISTEM BAB V IMPLEMENTASI DAN PENGUJIAN SISTEM 5.1 Implementasi Sistem Setelah melakukan analisis sistem yang dilakukan pada tahap sebelumnya dan dirancang sedemikian rupa, maka dilakukan tahapan selanjutnya

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN TEORI 1.1 Data Mining Data mining adalah proses yang menggunakan teknik statistik, matematika, kecerdasan buatan, dan machine learning untuk mengekstrasi dan mengidentifikasi informasi

Lebih terperinci

JURNAL IPTEKS TERAPAN Research of Applied Science and Education V10.i2 (81-85)

JURNAL IPTEKS TERAPAN Research of Applied Science and Education V10.i2 (81-85) IMPLEMENTASI ALGORITMA APRIORI DALAM MENENTUKAN PROGRAM STUDI YANG DIAMBIL MAHASISWA Ahmad Fikri Fajri Sistem Informasi, STMIK Jayanusa, Padang, Sumatera Barat, Kode Pos : 25116 email: fajri.bayang@gmail.com

Lebih terperinci

1. BAB I PENDAHULUAN 1.1. Latar Belakang ,

1. BAB I PENDAHULUAN 1.1. Latar Belakang  , 1. BAB I PENDAHULUAN 1.1. Latar Belakang Hasil survey Badan Kesejahteraan Keluarga Pemberdayaan Perempuan dan Keluarga Berencana (BKKPPKB) tahun 2009 menunjukkan angka kemiskinan di Kabupaten Bantul sebanyak

Lebih terperinci

IMPLEMENTASI DATA MINING PADA PENJUALAN TIKET PESAWAT MENGGUNAKAN ALGORITMA APRIORI (Studi Kasus: Jumbo Travel Medan)

IMPLEMENTASI DATA MINING PADA PENJUALAN TIKET PESAWAT MENGGUNAKAN ALGORITMA APRIORI (Studi Kasus: Jumbo Travel Medan) IMPLEMENTASI DATA MINING PADA PENJUALAN TIKET PESAWAT MENGGUNAKAN ALGORITMA APRIORI (Studi Kasus: Jumbo Travel Medan) Sri Rahayu Siregar ( 0911882) Mahasiswa Program Studi Teknik Informatika, STMIK Budidarma

Lebih terperinci

PENDAHULUAN. Latar Belakang

PENDAHULUAN. Latar Belakang Latar Belakang PENDAHULUAN Perkembangan teknologi informasi yang sangat pesat yang terjadi dewasa ini menuntut manusia untuk mampu beradaptasi dengan perkembangan tersebut. Upaya adaptasi yang dilakukan

Lebih terperinci

PERBANDINGAN ALGORITMA APRIORI DAN ALGORITMA CT-Pro PADA KOMODITAS EKSPOR DAN IMPOR SKRIPSI ELISA SEMPA ARIHTA KABAN

PERBANDINGAN ALGORITMA APRIORI DAN ALGORITMA CT-Pro PADA KOMODITAS EKSPOR DAN IMPOR SKRIPSI ELISA SEMPA ARIHTA KABAN PERBANDINGAN ALGORITMA APRIORI DAN ALGORITMA CT-Pro PADA KOMODITAS EKSPOR DAN IMPOR SKRIPSI ELISA SEMPA ARIHTA KABAN 101421012 PROGRAM STUDI EKSTENSI S1 ILMU KOMPUTER FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI

Lebih terperinci

PENERAPAN METODE APRIORI ASOSIASI TERHADAP PENJUALAN PRODUCT COSMETIC UNTUK MENDUKUNG STRATEGI PENJUALAN

PENERAPAN METODE APRIORI ASOSIASI TERHADAP PENJUALAN PRODUCT COSMETIC UNTUK MENDUKUNG STRATEGI PENJUALAN PENERAPAN METODE APRIORI ASOSIASI TERHADAP PENJUALAN PRODUCT COSMETIC UNTUK MENDUKUNG STRATEGI PENJUALAN SKRIPSI Diajukan untuk memenuhi salah satu syarat guna memperoleh gelar Sarjana Komputer (S.Kom)

Lebih terperinci

STMIK GI MDP. Program Studi Teknik Informatika Skripsi Sarjana Komputer Semester Ganjil Tahun 2011/2012

STMIK GI MDP. Program Studi Teknik Informatika Skripsi Sarjana Komputer Semester Ganjil Tahun 2011/2012 Program Studi Teknik Informatika Skripsi Sarjana Komputer Semester Ganjil Tahun 2011/2012 CLUSTERING DATA PENJUALAN DAN PERSEDIAAN BARANG PADA PT SAYAP MAS UTAMA DENGAN METODE K-MEANS Ahmad Afif 2008250031

Lebih terperinci

SISTEM PENDUKUNG KEPUTUSAN PENENTUAN PEMBERIAN BANTUAN BIAYA PENDIDIKAN MENGGUNAKAN ALGORITMA K-MEANS

SISTEM PENDUKUNG KEPUTUSAN PENENTUAN PEMBERIAN BANTUAN BIAYA PENDIDIKAN MENGGUNAKAN ALGORITMA K-MEANS SISTEM PENDUKUNG KEPUTUSAN PENENTUAN PEMBERIAN BANTUAN BIAYA PENDIDIKAN MENGGUNAKAN ALGORITMA K-MEANS Sinawati ), Ummi Syafiqoh 2) ), 2) Sistem Informasi STMIK PPKIA Tarakanita Rahmawati Tarakan Jl Yos

Lebih terperinci

METODE PENELITIAN. Tahapan pengembangan sistem PSP (Penetapan Strategi Penjualan) 1.0 seperti pada Gambar 2 di bawah ini. Mulai

METODE PENELITIAN. Tahapan pengembangan sistem PSP (Penetapan Strategi Penjualan) 1.0 seperti pada Gambar 2 di bawah ini. Mulai III. METODE PENELITIAN 3.1 Kerangka Kerja Penelitian Tahapan pengembangan sistem PSP (Penetapan Strategi Penjualan) 1.0 seperti pada Gambar 2 di bawah ini. Mulai Analisis Sistem, keluaran: - Deskripsi

Lebih terperinci

ASSOCIATION RULES PADA TEXT MINING

ASSOCIATION RULES PADA TEXT MINING Budi Susanto ASSOCIATION RULES PADA TEXT MINING SUSANTO 1 Tujuan Memahami algoritma Apriori dan FP- Growth Memahami penerapannya pada penambangan dokumen Memamahmi algoritma GSP Memahami penerapannya pada

Lebih terperinci

Penerapan Data Mining Untuk Analisis Pola Pembelian Produk Pada Clapper Movie Café Menggunakan Metode Association Rule

Penerapan Data Mining Untuk Analisis Pola Pembelian Produk Pada Clapper Movie Café Menggunakan Metode Association Rule Penerapan Data Mining Untuk Analisis Pola Pembelian Produk Pada Clapper Movie Café Menggunakan Metode Association Rule Alffeus Gantari Ganeffo Program Studi Teknik Informatika, Universitas Dian Nuswantoro

Lebih terperinci

IMPLEMENTASI DATA MINING ALGORITME APRIORI PADA PENJUALAN SUKU CADANG MOTOR DELTA MOTOR

IMPLEMENTASI DATA MINING ALGORITME APRIORI PADA PENJUALAN SUKU CADANG MOTOR DELTA MOTOR IMPLEMENTASI DATA MINING ALGORITME APRIORI PADA PENJUALAN SUKU CADANG MOTOR DELTA MOTOR Sigit Bahtiar Aji Saputra 1, Reva Dwiana 2, Wahyu Dewi Nur Oktaviani 3, Royana Dwi Isnaeni 4, Tri Astuti 5, Nurfaizah

Lebih terperinci

ALGORITMA ATURAN ASOSIASI APRIORI-TID DENGAN METODE KLASTERISASI HIERARKI AGLOMERATIF. Tri Khairul I.A 1 ABSTRAK

ALGORITMA ATURAN ASOSIASI APRIORI-TID DENGAN METODE KLASTERISASI HIERARKI AGLOMERATIF. Tri Khairul I.A 1 ABSTRAK ALGORITMA ATURAN ASOSIASI APRIORI-TID DENGAN METODE KLASTERISASI HIERARKI AGLOMERATIF. Pendahuluan Tri Khairul I.A. Jurusan Matematika FMIPA Universitas Hasanuddin Makassar 905 e-mail: narutolik@linuxmail.org

Lebih terperinci

REKOMENDASI PEMBELIAN PERSONAL KOMPUTER DENGAN METODE RANKED CLUSTERING

REKOMENDASI PEMBELIAN PERSONAL KOMPUTER DENGAN METODE RANKED CLUSTERING REKOMENDASI PEMBELIAN PERSONAL KOMPUTER DENGAN METODE RANKED CLUSTERING Fadly Shabir 1 dan Abdul Rachman M 2 1 kyofadly@gmail.com, 2 emanrstc@yahoo.co.id 1 Stimik Handayani, 2 Universitas Muslim Indonesia

Lebih terperinci

PENERAPAN DATA MINING UNTUK MENGETAHUI POLA ASOSIASI ANTARA DATA MAHASISWA DAN TINGKAT KELULUSAN MENGGUNAKAN ALGORITMA FOLD-GROWTH

PENERAPAN DATA MINING UNTUK MENGETAHUI POLA ASOSIASI ANTARA DATA MAHASISWA DAN TINGKAT KELULUSAN MENGGUNAKAN ALGORITMA FOLD-GROWTH PENERAPAN DATA MINING UNTUK MENGETAHUI POLA ASOSIASI ANTARA DATA MAHASISWA DAN TINGKAT KELULUSAN MENGGUNAKAN ALGORITMA FOLD-GROWTH Betha Nurina Sari1, Drs.Muh. Arif Rahman M.Kom2, Yusi Tyroni Mursityo,S.Kom,M.S.3

Lebih terperinci

Pembentukan Temporal Association Rules Menggunakan Algoritma Apriori (Studi Kasus:Toko Batik Diyan Solo)

Pembentukan Temporal Association Rules Menggunakan Algoritma Apriori (Studi Kasus:Toko Batik Diyan Solo) IJCCS, Vol.10, No.1, January 2016, pp.71~80 ISSN: 1978-1520 71 Pembentukan Temporal Association Rules Menggunakan Algoritma Apriori (Studi Kasus:Toko Batik Diyan Solo) Annisa Mauliani * 1, Sri Hartati

Lebih terperinci

BAB 1 PENDAHULUAN 1.1 Pendahuluan 1.2 Latar Belakang Masalah

BAB 1 PENDAHULUAN 1.1 Pendahuluan 1.2 Latar Belakang Masalah BAB 1 PENDAHULUAN 1.1 Pendahuluan Pada jaman modernisasi, teknologi digital mengambil alih dunia dengan terusmenerus berlomba berkreasi tiada henti-hentinya demi tercapainya kemudahan dan kecepatan penyebaran

Lebih terperinci

Seminar Nasional Ilmu Komputer (SNIK 2015) - Semarang, 10 Oktober 2015 ISBN:

Seminar Nasional Ilmu Komputer (SNIK 2015) - Semarang, 10 Oktober 2015 ISBN: SISTEM REKOMENDASI KULINER UNTUK MAHASISWA UNIVERSITAS SEBELAS MARET SURAKARTA MENERAPKAN ALGORITMA APRIORI POSITIF NEGATIF DAN BINARY HAMMING DISTANCE Belladona Shelly Agasti 1, Ristu Saptono 2, Hasan

Lebih terperinci

BAB 1 KONSEP DATA MINING 2 Gambar 1.1 Perkembangan Database Permasalahannya kemudian adalah apa yang harus dilakukan dengan data-data itu. Sudah diket

BAB 1 KONSEP DATA MINING 2 Gambar 1.1 Perkembangan Database Permasalahannya kemudian adalah apa yang harus dilakukan dengan data-data itu. Sudah diket Bab1 Konsep Data Mining POKOK BAHASAN: Konsep dasar dan pengertian Data Mining Tahapan dalam Data Mining Model Data Mining Fungsi Data Mining TUJUAN BELAJAR: Setelah mempelajari materi dalam bab ini, mahasiswa

Lebih terperinci

Pola Kompetensi Mahasiswa Program Studi Informatika Menggunakan FP-Growth

Pola Kompetensi Mahasiswa Program Studi Informatika Menggunakan FP-Growth Pola Kompetensi Mahasiswa Program Studi Informatika Menggunakan FP-Growth Fitrah Rumaisa, S.T., M.Kom Prodi Teknik Informatika, Fakultas Teknik, Universitas Widyatama E-Mail: fitrah.rumaisa@widyatama.ac.id

Lebih terperinci

PENERAPAN ALGORITMA APRIORI DALAM PERANGKAT LUNAK DATA BASE Amroni, S.Kom, M.Kom

PENERAPAN ALGORITMA APRIORI DALAM PERANGKAT LUNAK DATA BASE Amroni, S.Kom, M.Kom PENERAPAN ALGORITMA APRIORI DALAM PERANGKAT LUNAK DATA BASE Amroni, S.Kom, M.Kom amroni69@yahoo.com Abstrak Banyak teori dan pendekatan yang dikembangkan untuk memperoleh hasil penemuan kaidah asosiasi

Lebih terperinci

Analisa Data Mining Menggunakan Algoritma Frequent Pattern Growth Pada Data Transaksi Penjualan Restoran Joglo Kampoeng Doeloe Semarang

Analisa Data Mining Menggunakan Algoritma Frequent Pattern Growth Pada Data Transaksi Penjualan Restoran Joglo Kampoeng Doeloe Semarang Analisa Data Mining Menggunakan Algoritma Frequent Pattern Growth Pada Data Transaksi Penjualan Restoran Joglo Kampoeng Doeloe Semarang Tia Arifatul Maulida Fakultas Ilmu Komputer, Universitas Dian Nuswantoro,

Lebih terperinci