D-56. Keyword: Data mining, association rule, FP-Growth, cooperative, package. Oleh karena itu, untuk dapat mengatasi permasalahanpermasalah
|
|
- Harjanti Lesmono
- 7 tahun lalu
- Tontonan:
Transkripsi
1 D-56 IMPLEMENTASI DATA MINING TERHADAP PENENTUAN PAKET HEMAT SEMBAKO DAN KEBUTUHAN HARIAN MENGGUNAKAN ATURAN ASSOCIATION RULE DI PRIMER KOPERASI KARTIKA BAJA CILEGON DENGAN ALGORITMA FP-GROWTH Shativa Sonrisa 1, Adam Mukharil Bachtiar 2 Universitas Komputer Indonesia Jalan Dipati Ukur No , Coblon, Bandun, Jawa Barat,Indonesia, shativasonrisa@mail.com 1, adammb@mail.com 2 Abstrak Primer Koperasi Kartika Baja adalah sebuah usaha perdaanan baran dan jasa di Kodim 0623 Cileon. Dalam sistem pelayanannya, Koperasi ini menerapkan konsep layaknya minimarket pada umumnya. Namun belakanan ini, pembelian sembako maupun kebutuhan harian lainnya tinkat penjualannya lebih tini dibandinkan penjualan baran lain di koperasi. Di sisi lain, pembeli inin membeli beberapa sembako dan kebutuhan harian sekalius denan hara yan lebih murah sedankan Primer Koperasi Kartika Baja kadan meneluarkan paket dan kadan tidak meneluarkan paket. Hal ini disebabkan karena saat Primer Koperasi Kartika Baja meneluarkan paket, paket tersebut tidak terlalu diminati oleh pembeli karena paket yan disediakan tidak terlalu menarik minat pembeli. Oleh karena itu, untuk dapat menatasi permasalahan tersebut, perlu dilakukannya implementasi data minin terhadap penentuan paket menunakan aturan association rule denan aloritma Fp-Growth. Aloritma Fp-Growth diunakan untuk menali informasi yan ada una memprediksi kombinasi baran yan dibeli secara bersamaan. Berdasarkan hasil penelitian, sistem yan dibanun dapat membantu koperasi denan memberikan informasi baran-baran yan dapat ditentukan sebaai bentuk paket. Kata Kunci Data Minin, association rule, FP-Growth, koperasi, paket. Abstract Primer Koperasi Kartika Baja is a business trade in oods and services in Kodim 0623 Cileon. In the service system, the Cooperative is to apply concepts like minimarket in eneral. But lately, buyin roceries and other daily needs hiher sales rate than sales of other oods in the cooperative. On the other hand, the buyer wants to buy some basic needs and daily needs at once with a cheaper price, while the Primer Koperasi Kartika Baja sometimes issued a packae and sometimes does not issue the packae. This is because when the Primer Koperasi Kartika Baja issued a packae, the packae is not very attractive to buyers because the packae provided does not particularly interest buyers. Therefore, in order to overcome these problems, it needs to be an implementation of data minin to determine effective packae usin the rules of association rule with Fp-Growth alorithm. Fp- Growth alorithm used to di up the information in the sales transaction data in order to predict which combinations of the most frequently purchased items at the same time and prize that demand by buyers. Based on the research results, a system built can help the cooperative by providin information items that can be defined as a form of packae. Keyword: Data minin, association rule, FP-Growth, cooperative, packae I. PENDAHULUAN Dalam sistem pelayanannya, Koperasi ini menerapkan konsep layaknya minimarket pada umumnya. Namun, pembeli inin membeli beberapa sembako dan kebutuhan harian sekalius denan hara yan lebih murah sedankan Primer Koperasi Kartika Baja kadan meneluarkan paket dan kadan tidak meneluarkan paket.hal ini disebabkan karena saat Primer Koperasi Kartika Baja meneluarkan paket, paket tersebut tidak terlalu diminati oleh pembeli karena paket yan disediakan tidak terlalu menarik minat pembeli. Oleh karena itu, untuk dapat menatasi permasalahanpermasalah tersebut, perlu dilakukannya suatu Implementasi data minin terhadap penentuan paket hemat sembako dan kebutuhan harian menunakan aturan association rule di Primer Koperasi Kartika Baja Cileon denan aloritma Fp- Growth. Karena data minin dapat membantu kita melihat baran mana yan memiliki keterkaitan satu sama lain.
2 D-57 I. DASAR TEORI Berikut ini akan dijelaskan dasar-dasar teori yan diunakan dalam penelitian ini. 2.1 Data Minin Data minin serin jua disebut knowlede discovery in database (KDD), adalah keiatan yan meliputi penumpulan, pemakaian data historis untuk menemukan keteraturan, pola atau hubunan dalam set data berukuran besar. Keluaran dari data minin ini bisa dipakai untuk memperbaiki penambilan keputusan di masa depan. Sehina istilah pattern reconition sekaran jaran diunakan karena ia temasuk baian dari data minin [1]. Berikut adalah lankah-lankah dalam data minin, bisa dilihat seperti pada Gambar 1 [1]: Support = P (A B) = (1) b. Confident: Confident dihasilkan dari seberapa kuat hubunan produk yan sudah dibeli. Confident dapat dirumuskan sebaai berikut [2]: Confidence = P (B / A) = (2) 2.3 FP-Growth Aloritma yan sama denan apriori, Fp-Growth mulai denan menhitun item tunal sesuai denan jumlah kemunculan item yan ada di dalam dataset. Setelah proses perhitunan selesai maka akan dibuat struktur pohon pada tahap kedua. Pohon yan dibuat mulanya koson yan nantinya akan diisi denan hasil dari dataset yan telah didapat sebelumnya. Kunci untuk mendapatkan struktur pohon yan bisa didapatkan denan proses lebih cepat untuk mencari item set yan besar menjadi sedikit denan diurutkan secara descendin dari frekuensi yan ada di dalam dataset tersebut [3]. Gambar 1. Konsep Data Minin 2.2 Association Rule Aturan asosiasi (Association rules) atau analisis afinitas (affinity analysis) berkenaan denan studi tentan apa bersama apa. Ini bisa berupa studi transaksi di supermarket, misalnya seseorran yan membeli susu bayi jua membeli sabun mandi. Di sini berarti susu bayi bersama denan sabun mandi. Karena awalnya berasal dari studi tentan database transaksi pelanan untuk menentukan kebiasaan suatu produk dibeli bersama produk apa, maka aturan asosiasi jua serin dinamakan market basket analysis [1]. Umumnya ada dua ukuran yaitu [2]: a. Support: suatu ukuran yan menunjukan seberapa besar tinkat dominasi suatu item/itemset dari keseluruhan transaksi. Support merupakan matrik pertama yan ditetapkan dalam analisis keranjan pasar, yan merupakan probabilitas dari asosiasi. Support dapat dirumuskan sebaai berikut [2]: II. PEMBAHASAN 3.1 Business Understandin Pemahaman bisnis ini merupakan tahap pertama dalam CRISP-DM. Di dalamnya terdapat beberapa tahap lai yan meliputi: a. Penentuan tujuan bisnis Primer Koperasi Kartika Baja dalam proses bisnisnya memiliki tujuan bisnis yaitu dapat mensejahterakan dan memenuhi setiap kebutuhan para pembelinya. b. Menilai situasi Pada tahapan ini, dapat dilihat apakah situasi di Primer Koperasi Kartika Baja memunkinkan untuk menentukan paket sembako dan kebutuhan harian menunakan aplikasi yan telah dibuat. Berikut ini adalah spesifikasi perankat keras yan ada di Primkop Kartika Baja, dapat dilihat pada tabel 1: Tabel 1. Spesifikasi Perankat Keras No Perankat Keras Spesifikasi 1 Monitor LCD 14 2 Processor Intel Dual Core 2.93 GHz 3 RAM 1 GB 4 Harddisk 250 GB 5 VGA 512 MB c. Penentuan sasaran data minin Tujuan dari penetapan data minin dalam penentuan paket sembako dan kebutuhan harian adalah membantu KOMURNIKKOP dalam menentukan paket yan dapat menarik minat pembeli.
3 D Data Understandin Untuk memahami data, ada beberapa tahapan yan harus dilakukan diantaranya sebaai berikut: a. Menumpulkan data awal Data dalam penelitian ini adalah sample data transaksi penjualan di Primkop Kartika Baja yan berasal dari nota transaksi penjualan yan dimasukan ke dalam file berbentuk Microsoft excel (.xlsx). Hara_satuan Jumlah dibeli Hara satuan masinmasin baran Jumlah keseluruhan hara baran 3.3 Data Preparation Sebelum diproses, ada beberapa tahapan untuk mempersiapkan data, diantaranya: a. Cleanin data Dalam tahap pembersihan data ini, data yan memiliki jenis selain SEMBAKO, MKN, MNM, dan ROKOK dan yan menandun paket akan dihapus serta data transaksi yan hanya memiliki data tunal jua akan dihapus sebab data tunal tidak perlu diunakan dalam proses selanjutnya karena dapat dilihat bahwa data tunal tidak memiliki hubunan atau keterkaitan denan antar baran lainnya. b. Pemilihan atribut Atribut yan akan dipakai hanya no_transaksi dan kode_baran. No_transaksi di sini berfunsi untuk menunjukkan urutan transaksi sekalius sebaai pembeda antar transaksi. Sedankan kode_baran berfunsi sebaai identitas masin-masin baran yan telah dibeli oleh pembeli. 3.4 Modellin Dalam proses ini, untuk melihat banyaknya variasi data yan diperoleh, nilai minimum support yan akan diunakan adalah yan bernilai 2. Jika hasil dari minimum support bilanan decimal, maka harus dibulatkan ke atas. Hasil dari perhitunan support count bisa dilihat dalam Tabel 2 berikut: Tabel 2 Support Count b. Menjelaskan data Data transaksi awal diambil dari nota penjualan yan terddapat di Primkop Kartika Baja yan telah dipindahkan dalam file Microsoft Excel (.xlsx). Keteranan Funsi Untuk menetahui baran yan serin dibeli oleh pembeli Forma Microsoft Excel (.xlsx) t Atribu No_transaksi Urutan penjualan t Nama_baran Nama baran yan dibeli Kode_baran Kode tiap-tiap baran Jenis Jenis tiap-tiap baran Qty Jumlah baran ya Kode_Baran Support Count 7 SM-55 8 MK SM-57 5 SM SM MN Lalu hapus Kode_Baran yan support count-nya tidak memenuhi nilai yan telah ditentukan, seperti pada Tabel 3: Tabel 3 Baran yan memenuhi nilai minimum support Kode_Baran Support Count 7 SM-55 8
4 D-59 MK SM-57 5 SM SM Setelah itu, urutkan kode baran sesuai nilai priority-nya, dapat dilihat pada Tabel 4: Tabel 4 Penurutan sesuai nilai priority Kode_Baran Support Priority Count SM SM SM MK SM Data transaksi yan menandun baran yan telah memenuhi minimum support dan priority-nya diurutkan sesuai nomor transaksinya, seperti pada Tabel 5: Tabel 5 Data yan memenuhi minimum support dan priority No. Transaksi Kode Baran 5001 SM SM MK SM SM SM SM SM SM SM SM SM SM SM SM SM SM MK SM SM SM SM SM FP-Tree Berikut ini adalah pembuatan FP-Tree data transaksi penjualan Primkop Kartika Baja: 1) FP-Tree untuk No_Transaksi 5001: SM-55,, SM-57, MK-161. FP-Tree yan dihasilkan bisa dilihat pada ambar 2: Gambar 2 FP-Tree No_Transaksi ) FP-Tree untuk No_Transaksi 5002: SM-55, SM-57. FP- Tree yan dihasilkan bisa dilihat pada ambar 3: Gambar 3 FP-Tree No_Transaksi 5002 Pembuatan FP-Tree dilakukan hina no transaksi terakhir dan didapatkan FP-Tree akhir seperti pada ambar 4:
5 D-60 MK-161 SM-57 SM-141 {SM-55:2, :2} {SM-55:4, :3} {SM-55:4, :2} {:2} {SM-55:5} c. Tahap pembankitan frequent pattern enerate Pada tahap ini, akan menentukan frequent pattern enerate dari conditional FP-Tree yan telah ada. Hasil setiap conditional FP-Tree dapat dilihat pada tabel 8: Tabel 8 Frequent Pattern Generate Gambar 4 Hasil akhir FP-Tree Setelah membuat FP-Tree data transaksi yan ada, maka akan diterapkan aloritma FP-Growth untuk mencari frequent itemset yan sinifikan. Berikut adalah lankahlankah utama dalam aloritma FP-Growth: a. Tahap pembankitan conditional pattern base Pembankitan ini didapatkan melalui hasil FP-Tree seluruhnya, denan mencari support count terkecil sesuai denan penurutan priority dan telah didapat yaitu: SM- 336, MK-161, SM-57, MK-141,, SM-55. Hasil conditional pattern base dapat dilihat pada Tabel 6: Kode_Baran SM-336 MK-161 SM-57 SM-141 Tabel 6 Conditional Pattern Base {SM-55: 3} Conditional Pattern Base {SM-55,,SM-141: 1}, {SM-55, SM-141:1} {SM-55,, SM-57: 1}, {SM-55,, SM-141:1} {SM-55, : 3}, {SM-55: 1}, {, SM-141: 1} {SM-55, : 2}, {SM-55: 2}, {: 2} b. Tahap pembankitan conditional FP-Tree Pada tahap ini, akan dibuat tree untuk masin-masin kode baran, lalu setiap kode baran yan support countnya lebih atau sama denan minimum support akan dibankitkan denan conditional FP-Tree. Setelah mendapatkan hasil conditional FP-Tree dari setiap frequent itemset.,dapat dilihat hasilnya pada tabel 7: Tabel 7 Conditional FP-Tree Kode_Baran Conditional FP-Tree SM-336 {SM-55: 2} Kode_Baran SM-336 MK-161 SM-57 SM-141 Frequent Pattern Generate {SM-336, SM-55:2} {MK-161, SM-55:2}, {MK-161, :2}, {MK-161, SM-55, :2} {SM-57, SM-55:4}, {SM-57, SM- 227:3}, {SM-57, SM-55, SM- 227:3} {SM-141. SM-55:4}, {SM-141, :4}, {SM-141, SM-55, SM- 227:2} {, SM-55:5} Dari hasil frequent itemset yan didapat pada tabel 8 di atas, akan di enerate untuk mendapatkan rule denan minimum support 2 dan minimum confidence 60% denan masin-masin itemset dikombinasikan denan itemset lain. Berikut hasil perhitunan minimum confidence, dapat dilihat pada tabel 9: Tabel 9 Rule yan memenuhi minimum confidence Rule Minimum Confidence SM-336 SM-55 (2/2)*100% = 100% MK-161 SM-55 (2/2)*100% = 100% MK-161 (2/2)*100% = 100% MK-161 SM-55, (2/2)*100% = 100% SM-57 SM-55 (4/5)*100% = 80% SM-57 (3/5)*100% = 60% SM-57 SM-55, (3/5)*100% = 60% SM-141 SM-55 (4/6)*100% = 66% SM-141 (4/6)*100% = 66% SM-141 SM-55, (2/6)*100% = 33% SM-55 (5/7)*100% = 71% Berdasarkan tabel stok baran yan ada, maka kode baran yan didapat harus dikonversi menjadi nama baran seperti yan ada pada tabel 10:
6 D-61 Tabel 10 Tabel Konversi Kode_Baran Nama_Baran Hara SM-336 SEGITIGA BIRU Rp MK-161 INDOMIE Rp GORENG MACKEREL Rp SM-55 BERAS Rp SM-57 BIMOLI 1000ML Rp SM-141 GULA PUTIH Rp Sehina didapatkan hasil rules pemaketan produk seperti yan terdapat pada tabel 11: Tabel 11 Hasil rule untuk pemaketan produk Isi Rule SEGITIGA BIRU (1 PCS) BERAS (1 KARUNG) INDOMIE GORENG (1 PCS) BERAS (1 KARUNG) INDOMIE GORENG (1 PCS) INDOMIE GORENG (1 PCS) BERAS (1 KARUNG), BIMOLI 200ML (1 PCS) BERAS (1 KARUNG) BIMOLI 200ML (1 PCS) BIMOLI 200ML (1 PCS) BERAS (1 KARUNG), GULA PUTIH (1 KG) BERAS (1 KARUNG) GULA PUTIH (1 KG) BERAS (1 KARUNG) Hara Rp Rp Rp Rp Rp Rp Rp Rp Rp Rp Setelah mendapatkan hasil rules, maka lankah selajutnya adalah membuat pemaketan produk dari rules yan telah didapatkan. Pihak Primkop Kartika Baja sendiri memberi beberapa batasan untuk pembuatan paket, diantaranya: 1. Jumlah baran yan dipaketkan dalam satu paket adalah tia baran. 2. Jumlah setiap baran dalam suatu paket hanya berjumlah satu. 3. Jumlah hara setiap paket tidak lebih dari Rp ,- dan tidak kuran dari Rp ,- 4. Paket yan akan dibuat adalah dua paket. 5. Perantian paket dilakukan setiap dalam periode per bulan. Dari batasan yan ada, pemaketan yan terbentuk dapat dilihat di tabel 12: Tabel 12 Paket yan terbentuk Paket Isi Paket PAKET 1 1. INDOMIE GORENG (1 PCS) 2. BERAS (1 KARUNG) 3. Total Hara Rp PAKET 2 1. BIMOLI 200ML (1 PCS) 2. BERAS (1 KARUNG) 3. Total Hara Rp II. HASIL PENGUJIAN Hasil perhitunan rule yan ada di aplikasi dapat dilihat pada Gambar 5: Gambar 5 Hasil Perhitunan Proram Lalu hasil rule dikonversi aar nama baran dan hara paket muncul. Seperti yan dapat dilihat pada hasil paket yan ada di proram pada Gambar 6:
7 D-62 Candidate Generation, Netherlands: Kluwer Academic Publishers, Gambar 6 Hasil Paket Perhitunan Proram III. PENUTUP Berdasarkan hasil yan telah didapat dari implementasi dan penujian sistem data minin yan dibanun menunakan metode association rule dan aloritma FP-Growth, maka didapat kesimpulan sebaai berikut: 1. Aplikasi yan dibanun dapat membantu pihak Primer Koperasi Kartika Baja denan memberikan informasi baran-baran yan dapat ditentukan sebaai bentuk paket. 2. Aplikasi dapat memberikan pertimbanan perekomendasian hara pada aturan pemaketan untuk stratei penjualan berikutnya. Sedankan beberapa saran yan dapat disarankan untuk penembanan lebih lanjut, diantaranya: 1. Dalam menentukan frequent pattern bisa dibandinkan denan aloritma lain aar bisa dijadikan pacuan aloritma mana yan lebih efektif dalam menentukan frequent pattern. UCAPAN TERIMA KASIH Dalam pembuatan paper, penulis banyak dibantu oleh berbaai pihak sehina dapat menyelesaikan paper ini, untuk itu penulis menucap terima kasih untuk 1. Ahmad Sopian, S.Kom yan telah memberi banyak masukan 2. Teman-teman dari Teknik Informatika Unikom REFERENSI [1] B. Santosa, Data Minnin, dalam Teknik Pemanfaat Data Untuk Keperluan Bisnis, Yoyakarta, Graha Ilmu, [2] W. A. Triyanto, V. Suhartono dan H. H., Analisis Keranjan Pasar Menunakan K-Medoids dan FP-Growth, Jurnal Psedocode.ISSN , vol. 2, [3] J. Han, J. Pei, Y. Yin dan R. Mao, Minin Frequent Pattern without
PENERAPAN DATA MINING MENGGUNAKAN ALGORITMA FP-TREE DAN FP-GROWTH PADA DATA TRANSAKSI PENJUALAN OBAT
PENERAPAN DATA MINING MENGGUNAKAN ALGORITMA FP-TREE DAN FP-GROWTH PADA DATA TRANSAKSI PENJUALAN OBAT Yuyun Dwi Lestari Program Studi Teknik Informatika, Sekolah Tinggi Teknik Harapan Jl. H. M. Jhoni No.
Lebih terperinciBAB 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 terperinciANALISIS 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 terperinciBAB 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 terperinciPenerapan Data Mining Association Rule Menggunakan Algoritma Apriori Untuk Meningkatkan Penjualan dan Memberikan Rekomendasi Pemasaran Produk Speedy
Penerapan Data Mining Association Rule Menggunakan Algoritma Apriori Untuk Meningkatkan Penjualan dan Memberikan Rekomendasi Pemasaran Produk Speedy (Studi Kasus di PT. Telkom Cabang Wonogiri ) Moch. Yusuf
Lebih terperinciANALISIS MARKET BASKET DENGAN ALGORITMA APRIORI (STUDY KASUS TOKO ALIEF)
ANALISIS MARKET BASKET DENGAN ALGORITMA APRIORI (STUDY KASUS TOKO ALIEF) Hernawati STMIK Nusa Mandiri Jl. Kramat Raya No. 18 Rt. 01/Rw. 07 Kwitang, Senen, Jakarta Pusat watiherna27@gmail.com ABSTRAK Dalam
Lebih terperinciBAB II LANDASAN TEORI. Pada bab ini akan dibahas mengenai konsep dasar masalah. penjadwalan kuliah, algoritma memetika serta komponen algoritma
BAB II LANDASAN TEORI Pada bab ini akan dibahas menenai konsep dasar masalah penjadwalan kuliah, aloritma memetika serta komponen aloritma memetika. Aoritma memetika diilhami dari proses evolusi makhluk
Lebih terperinciBAB 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 terperinciPENERAPAN DATA MINING UNTUK ANALISIS POLA PEMBELIAN PRODUK MENGGUNAKAN ALGORITMA APRIORI PADA DATA TRANSAKSI PENJUALAN
PENERAPAN DATA MINING UNTUK ANALISIS POLA PEMBELIAN PRODUK MENGGUNAKAN ALGORITMA APRIORI PADA DATA TRANSAKSI PENJUALAN (Studi Kasus : Koperasi Guru Banjar (KGB)) Karina Nursyafani Adhi, Acep Irham Gufroni,
Lebih terperinciIMPLEMENTASI ALGORITMA FP- GROWTH MENGGUNAKAN ASSOCIATION RULE PADA MARKET BASKET ANALYSIS
IMPLEMENTASI ALGORITMA FP- GROWTH MENGGUNAKAN ASSOCIATION RULE PADA MARKET BASKET ANALYSIS Fitriyani Fakultas Teknik, Universitas BSI Bandung Jalan Sekolah Internasional No. 1-6, Bandung 40282, Indonesia
Lebih terperinciPENERAPAN ALGORITMA APRIORI DALAM MEMPREDIKSI PERSEDIAAN BUKU PADA PERPUSTAKAAN SMA DWI TUNGGAL TANJUNG MORAWA
PENERAPAN ALGORITMA APRIORI DALAM MEMPREDIKSI PERSEDIAAN BUKU PADA PERPUSTAKAAN SMA DWI TUNGGAL TANJUNG MORAWA Domma Lingga Mahasiswa Program Studi Teknik Informatika STMIK Budidarma Medan Jl. Sisingamangaraja
Lebih terperinciPERANCANGAN DAN IMPLEMENTASI APLIKASI ANALISIS KERANJANG PASAR DENGAN METODE FUZZY C-COVERING
PERANCANGAN DAN IMPLEMENTASI APLIKASI ANALISIS KERANJANG PASAR DENGAN METODE FUZZY C-COVERING KOMPETENSI RPL SKRIPSI NI KADEK DONI JULIARI NIM. 0708605037 PROGRAM STUDI TEKNIK INFORMATIKA JURUSAN ILMU
Lebih terperinciANALISA 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 terperinciDATA 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 terperinciBAB 2 TINJAUAN PUSTAKA DAN DASAR TEORI. yang akan diteliti. Pemanfaatan algoritma apriori sudah cukup banyak digunakan, antara lain
BAB 2 TINJAUAN PUSTAKA DAN DASAR TEORI 2.1 Tinjauan Pustaka Penelitian ini menggunakan beberapa sumber pustaka yang berhubungan dengan kasus yang akan diteliti. Pemanfaatan algoritma apriori sudah cukup
Lebih terperinci2.2 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 terperinciBAB IV HASIL DAN UJICOBA. Penerapan Data Mining Market Basket Analysis Terhadap Data Penjualan Produk
BAB IV HASIL DAN UJICOBA IV.1. Tampilan Hasil Berikut ini dijelaskan mengenai tampilan hasil dari perancangan Penerapan Data Mining Market Basket Analysis Terhadap Data Penjualan Produk Elektronik Dengan
Lebih terperinciPENGGALIAN KAIDAH MULTILEVEL ASSOCIATION RULE DARI DATA MART SWALAYAN ASGAP
PENGGALIAN KAIDAH MULTILEVEL ASSOCIATION RULE DARI DATA MART SWALAYAN ASGAP Teguh Pradana 1) 1) Program Studi/Prodi Teknik Informatika, STMIK Yadika, email: INTI_PERSADA_SOFTWARE@yahoo.co.id Abstrak: Perkembangan
Lebih terperinciPENENTUAN LOKASI BARANG PADA A Swalayan MENGGUNAKAN ASSOCIATION RULE DENGAN ALGORITMA FP-GROWTH
PENENTUAN LOKASI BARANG PADA A Swalayan MENGGUNAKAN ASSOCIATION RULE DENGAN ALGORITMA FP-GROWTH DETERMINING LOCATION OF GOODS IN A Swalayan USING ASSOCIATION RULE BY FP-GROWTH ALGORITHM Ardi Wijaksono
Lebih terperinciBAB 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 terperinciBAB IV HASIL DAN PEMBAHASAN. Sumber data utama yang digunakan dalam penelitian ini berasal dari data
BAB IV HASIL DAN PEMBAHASAN A. Pengumpulan Data Sumber data utama yang digunakan dalam penelitian ini berasal dari data transaksi 3 bulan terakhir yaitu bulan Maret, April, Mei tahun 2012 di swalayan XYZ
Lebih terperinciPENERAPAN 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 terperinciImplementasi Algoritme Modified-Apriori Untuk Menentukan Pola Penjualan Sebagai Strategi Penempatan Barang Dan Promo
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 10, Oktober 2018, hlm. 3829-3834 http://j-ptiik.ub.ac.id Implementasi Algoritme Modified-Apriori Untuk Menentukan
Lebih terperinciPengembangan 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 terperinciASSOCIATION 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 terperinciBAB 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 terperinciIMPLEMENTASI DATA MINING MENGGUNAKAN ALGORITMA ECLAT
IMPLEMENTASI DATA MINING MENGGUNAKAN ALGORITMA ECLAT Syafina Dwi Arinda 1, Sulastri 2 1,2 Fakultas Teknologi Informasi, Universitas Stikubank Semarang e-mail: 1 syafinadwi96@gmail.com, 2 sulastri@unisbank.ac.id
Lebih terperinciAPLIKASI 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 terperinciASSOCIATION RULE MINING UNTUK PENENTUAN REKOMENDASI PROMOSI PRODUK
ASSOCIATION RULE MINING UNTUK PENENTUAN REKOMENDASI PROMOSI PRODUK Wiwit Agus Triyanto Fakultas Teknik, Program Studi Sistem Informasi Universitas Muria Kudus Email: at.wiwit@yahoo.co.id ABSTRAK Rekomendasi
Lebih terperinciBAB 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 terperinciSISTEM REKOMENDASI PAKET MAKANAN DENGAN ALGORITMA FP-GROWTH PADA RESTORAN SEAFOOD XYZ
SISTEM REKOMENDASI PAKET MAKANAN DENGAN ALGORITMA FP-GROWTH PADA RESTORAN SEAFOOD XYZ Pahridila Lintang 1),Muhammad Iqbal 2), Ade Pujianto 3) 1), 2, 3) Teknik Informatika STMIK AMIKOM Yogyakarta Jl Ring
Lebih terperinciANALISA KONSISTENSI POLA PEMINJAMAN BUKU MENGGUNAKAN ALGORITMA FP-GROWTH (Studi Kasus: UPT Perpustakaan Universitas Sebelas Maret)
ANALISA KONSISTENSI POLA PEMINJAMAN BUKU MENGGUNAKAN ALGORITMA FP-GROWTH (Studi Kasus: UPT Perpustakaan Universitas Sebelas Maret) Miranda Nur Qolbi Aprilina 1, Wiranto 2,Widodo 3 1,2 Program Studi Informatika,
Lebih terperinciANALISA 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 terperinciBAB I PENDAHULUAN. baik. Maka para pengelola harus mencermati pola-pola pembelian yang dilakukan
BAB I PENDAHULUAN I.1. Latar Belakang Jumlah pasar swalayan yang terus berkembang membuat para pengelolaswalayan juga dituntut untuk menerapkan strategi pemasaran yang lebih baik. Maka para pengelola harus
Lebih terperinciIMPLEMENTASI DATA MINING MENGGUNAKAN ALGORITMA APRIORI
IMPLEMENTASI DATA MINING MENGGUNAKAN ALGORITMA APRIORI Ristianingrum 1, Sulastri 2 1,2 Program Studi Sistem Informasi, Fakultas Teknologi Informasi, Universitas Stikubank e-mail: 1 ristiia.rum@gmail.com,
Lebih terperinciPENDAHULUAN 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 terperinciPERBANDINGAN 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 terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA Pada tinjauan pustaka ini membahas tentang landasan teori yang medukung pembahasan yang berhubungan dengan sistem yang akan dibuat. 2.1 Data Mining Data mining adalah kegiatan menemukan
Lebih terperinciMining Association Rules dalam Basis Data yang Besar
Mining Association Rules dalam Basis Data yang Besar S1 Teknik Informatika Fakultas Teknologi Informasi Universitas Kristen Maranatha Agenda Pendahuluan Association Rule Mining Market Basket Analysis Konsep
Lebih terperinciBAB 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 terperinciBAB 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 terperinciBAB I PENDAHULUAN. Teknologi Informasi sekarang ini telah digunakan hampir di semua aspek
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Teknologi Informasi sekarang ini telah digunakan hampir di semua aspek kehidupan, contohnya dalam sebuah perusahaan ritel. Dengan sistem yang telah terkomputerisasi,
Lebih terperinciAbstrak. Kata Kunci : SPK (Sistem Pendukung Keputusan), Pemberian store of the month, Analytical Hierarchy Process (AHP).
SISTEM PENDUKUNG KEPUTUSAN PENERIMA STORE OF THE MONTH PADA TOKO INDOMARET MENGGUNAKAN METODE ANALYTICAL HIERARCHY PROCESS (AHP) STUDI KASUS PT. INDOMARCO PRISMATAMA MEDAN Tison Nopember Simanjuntak (12110248)
Lebih terperinciBAB II TINJAUAN PUSTAKA. Turban mendefinisikan Decision Support System sebagai sekumpulan
BAB II TINJAUAN PUSTAKA 2.1 Decision Support System Turban mendefinisikan Decision Support System sebagai sekumpulan prosedur berbasis model untuk data pemrosesan dan penilaian guna membantu para pengambilan
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Dalam periode enam tahun terakhir (tahun 2007 2012), jumlah gerai ritel modern di Indonesia mengalami pertumbuhan rata-rata 17,57% per tahun. Pada tahun 2007, jumlah
Lebih terperinciAnalisa 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 terperinciLEMBAR PENGESAHAN Batam, 21 Februari 2011 Pembimbing, Mir atul K. Mufida, S. ST NIK
LEMBAR PENGESAHAN Pembimbing, Mir atul K. Mufida, S. ST NIK. 109057 LEMBAR PERNYATAAN Dengan ini, saya: NIM : 3310801010 Nama : Maria Magdalena adalah mahasiswa Teknik Informatika Politeknik Negeri Batam
Lebih terperinciBAB 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 terperinciPENGEMBANGAN ALGORTIMA APRIORI UNTUK PENGAMBILAN KEPUTUSAN TEKNIK INFORMATIKA
PENGEMBANGAN ALGORTIMA APRIORI UNTUK PENGAMBILAN KEPUTUSAN TEKNIK INFORMATIKA TESIS LISMARDIANA SEMBIRING NIM: 137038025 PROGRAM STUDI S2 TEKNIK INFORMATIKA FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
Lebih terperinciPENERAPAN 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 terperinciJURNAL ITSMART Vol 3. No 2. Desember 2014 ISSN :
IMPLEMENTASI ALGORITMA ITERATIVE DIHOTOMISER PADA PENYELEKSIAN PROGRAM MAHASISWA WIRAUSAHA UNS Tisna Dedi Utama Sari Widya Sihwi Afrizal Doewes Jurusan Informatika Jurusan Informatika Jurusan Informatika
Lebih terperinciANALISIS DAN IMPLEMENTASI ALGORITMA CT-APRIORI UNTUK ASOSIASI TRANSAKSI BARANG
ISSN : 2355-9365 e-proceeding of Engineering : Vol.3, No.3 December 2016 Page 5304 ANALISIS DAN IMPLEMENTASI ALGORITMA CT-APRIORI UNTUK ASOSIASI TRANSAKSI BARANG Abstrak ANALYSIS AND IMPLEMENTATION OF
Lebih terperinciANALISIS DATA POLA PEMBELIAN KONSUMEN DENGAN ALGORITMA APRIORI PADA TRANSAKSI PENJUALAN SUPERMARKET PAMELLA YOGYAKARTA 1.
ANALISIS DATA POLA PEMBELIAN KONSUMEN DENGAN ALGORITMA APRIORI PADA TRANSAKSI PENJUALAN SUPERMARKET PAMELLA YOGYAKARTA M. Didik R. Wahyudi 1) Fusna Failasufa 2) 1) 2) Teknik Informatika FST UIN Sunan Kalijaga
Lebih terperinciBAB III METODE PENELITIAN. desaign dan coding program. Dibutuhkan waktu selama kurang lebih 8 bulan
19 BAB III METODE PENELITIAN 3.1 Waktu dan Tempat Dalam penelitian ini memerlukan waktu yang cukup lama, yaitu dalam membuat desaign dan coding program. Dibutuhkan waktu selama kurang lebih 8 bulan untuk
Lebih terperinciBAB IV IMPLEMENTASI DAN PENGUJIAN SISTEM
BAB IV IMPLEMENTASI DAN PENGUJIAN SISTEM IV.1. Implementasi Sistem Tahap implementasi sistem merupakan tahap untuk mengaplikasikan apa yang telah dirancang pada tahap perancangan sistem berdasarkan hasil
Lebih terperinciPenerapan 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 terperinciPEMANFAATAN DATA MINING UNTUK MENGETAHUI POLA PEMBELIAN MASYARAKAT PADA SALAH SATU MINIMARKET DI KOTA MAKASSAR
PEMANFAATAN DATA MINING UNTUK MENGETAHUI POLA PEMBELIAN MASYARAKAT PADA SALAH SATU MINIMARKET DI KOTA MAKASSAR Sadly Syamsuddin, Nasaruddin Program StudiSistemInformasi, STMIK Dipanegara, Makassar e-mail:
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Apriori merupakan salah satu algoritma yang terkenal dalam mencari frequent pattern dari database transaksi[8]. Prinsip dari algortima Apriori ini adalah jika sebuah
Lebih terperinciPENERAPAN ALGORITMA APRIORI DALAM MENENTUKAN STRATEGI PENJUALAN MAKANAN RINGAN (Studi Kasus: Toko Pak Herry Templek - Gadungan)
PENERAPAN ALGORITMA APRIORI DALAM MENENTUKAN STRATEGI PENJUALAN MAKANAN RINGAN (Studi Kasus: Toko Pak Herry Templek - Gadungan) SKRIPSI Diajukan Untuk Memenuhi Sebagai Syarat Guna Memperoleh Gelar Sarjana
Lebih terperinciRANCANG BANGUN APLIKASI DATA MINING ANALISIS TINGKAT KELULUSAN MENGGUNAKAN ALGORITMA FP-GROWTH (Studi Kasus Di Politeknik Negeri Malang)
RANCANG BANGUN APLIKASI DATA MINING ANALISIS TINGKAT KELULUSAN MENGGUNAKAN ALGORITMA FP-GROWTH (Studi Kasus Di Politeknik Negeri Malang) Naufal Farras Hilmy 1, Banni Satria Andoko 2 Program Studi Teknik
Lebih terperinciRANCANG BANGUN APLIKASI MARKET BASKET ANALYSIS (MBA) PADA MINIMARKET UD. DIANI DENGAN ALGORITMA CT-PRO
RANCANG BANGUN APLIKASI MARKET BASKET ANALYSIS (MBA) PADA MINIMARKET UD. DIANI DENGAN ALGORITMA CT-PRO Oleh Gede Agus Eka Kharisma Jurusan Pendidikan Teknik Informatika, Fakultas Teknik dan Kejuruan Universitas
Lebih terperinciANALISA PENERAPAN DATAMINING PADA PENJUALAN PRODUK OLI MESIN SEPEDA MOTOR DENGAN ALGORITMA APRIORI
ANALISA PENERAPAN DATAMINING PADA PENJUALAN PRODUK OLI MESIN SEPEDA MOTOR DENGAN ALGORITMA APRIORI Siti Sundari Program Studi Teknik Informatika, Sekolah Tinggi Teknik Harapan Medan Jalan Hm. Joni No 70
Lebih terperinciE-Journal Teknik Informatika Vol.8, No.1, April 2016
Analisa Pola Belanja Swalayan Daily Mart Untuk Menentukan Tata Letak Barang Menggunakan Algoritma FP-Growth Kezia Sumangkut (1), Arie Lumenta (2), Virginia Tulenan (3) Teknik Informatika, Universitas Sam
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Dasar Teori 2.1.1 Data Mining Data mining adalah suatu istilah yang digunakan untuk menguraikan penemuan pengetahuan di dalam database. Data mining adalah Proses yang menggunakan
Lebih terperinciPERANCANGAN DAN IMPLEMENTASI PEMBELAJARAN PERKALIAN DAN PEMBAGIAN BILANGAN UNTUK SEKOLAH DASAR KELAS 2
PERANCANGAN DAN IMPLEMENTASI PEMBELAJARAN PERKALIAN DAN PEMBAGIAN BILANGAN UNTUK SEKOLAH DASAR KELAS 2 1 Aun Dwi Hariyanto (05018221), 2 Wahyu Pujiyono (0504116601) 1,2 Proram Studi Teknik Informatika
Lebih terperinciPENGGUNAAN ALGORITMA APRIORI UNTUK MENENTUKAN REKOMENDASI STRATEGI PENJUALAN PADA TOSERBA DIVA SKRIPSI
PENGGUNAAN ALGORITMA APRIORI UNTUK MENENTUKAN REKOMENDASI STRATEGI PENJUALAN PADA TOSERBA DIVA SKRIPSI Diajukan Untuk Memenuhi Salah Satu Syarat Guna Memperoleh Gelar Sarjana Komputer (S.Kom.) Pada Program
Lebih terperinciBAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Kartika Kosmetik merupakan toko penjualan produk kosmetik yang paling besar didaerah Rancaekek. Produk utama yang dijual di Kartika Kosmetik adalah produk-produk
Lebih terperinciIMPLEMENTASI 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 terperinciDATA MINING ASOSIASI UNTUK MENENTUKAN CROSS-SELLING PRODUK MENGGUNAKAN ALGORITMA FREQUENT PATTERN-GROWTH PADA KOPERASI KARYAWAN PT.
DATA MINING ASOSIASI UNTUK MENENTUKAN CROSS-SELLING PRODUK MENGGUNAKAN ALGORITMA FREQUENT PATTERN-GROWTH PADA KOPERASI KARYAWAN PT. PHAPROS SEMARANG Frismadani Anggita Priyana 1, Acun Kardianawati 2 1,2
Lebih terperinciANALISA PENCARIAN FREQUENT ITEMSETS MENGGUNAKAN ALGORITMA FP-MAX
ANALISA PENCARIAN FREQUENT ITEMSETS MENGGUNAKAN ALGORITMA FP-MAX Suhatati Tjandra Dosen Teknik Informatika Sekolah Tinggi Teknik Surabaya e-mail : tati@stts.edu ABSTRAK Association rule mining merupakan
Lebih terperinciASSOCIATION RULE DENGAN ALGORITMA FP-GROWTH DETERMINING LOCATION OF GOODS IN A
PENENTUAN LOKASI BARANG PADA A Swalayan MENGGUNAKAN ASSOCIATION RULE DENGAN ALGORITMA FP-GROWTH DETERMINING LOCATION OF GOODS IN A Swalayan USING ASSOCIATION RULE BY FP-GROWTH ALGORITHM Ardi Wijaksono
Lebih terperinciSISTEM SISTEM REKOMENDASI BIDANG MINAT MAHASISWA MENGGUNAKAN METODE ASSOCIATION RULE DAN ALGORITMA APRIORI
SISTEM SISTEM REKOMENDASI BIDANG MINAT MAHASISWA MENGGUNAKAN METODE ASSOCIATION RULE DAN ALGORITMA APRIORI Nama Mahasiswa : NUCIFERA DIAHPANGASTUTI NRP : 505 00 070 Jurusan : Teknik Informatika FTIF-ITS
Lebih terperinciPENINGKATAN PERFORMA ALGORITMA APRIORI UNTUK ATURAN ASOSIASI DATA MINING
PENINGKATAN PERFORMA ALGORITMA APRIORI UNTUK ATURAN ASOSIASI DATA MINING Andreas Chandra Teknik Informatika STMIK AMIKOM Yogyakarta Jl Ring road Utara, Condongcatur, Sleman, Yogyakarta 55281 Email : andreaschaandra@yahoo.com
Lebih terperinciPenggunaan Struktur FP-Tree dan Algoritma FP- Growth dalam Rekomendasi Promosi Produk pada Situs Belanja Online
Penggunaan Struktur FP-Tree dan Algoritma FP- Growth dalam Rekomendasi Promosi Produk pada Situs Belanja Online Irene Edria Devina / 13515038 1 Program Studi Teknik Informatika Sekolah Teknik Elektro dan
Lebih terperinciAbstrak. Data Mining, Algoritma Apriori, Algoritma FP-Growth, Mata Pelajaran, Pemrograman, Web Programming, Matematika, Bahasa Inggris.
Penerapan Algoritma Apriori dan Algoritma FP-Growth Dalam Menemukan Hubungan Data Nilai Ijazah Matematika dan Bahasa Inggris Dengan Nilai Mata Pelajaran Pemrograman dan Web Programming (Studi Kasus SMK
Lebih terperinciTINJAUAN PUSTAKA. i dari yang terkecil ke yang terbesar. Tebaran titik-titik yang membentuk garis lurus menunjukkan kesesuaian pola
TINJAUAN PUSTAKA Analisis Diskriminan Analisis diskriminan (Discriminant Analysis) adalah salah satu metode analisis multivariat yan bertujuan untuk memisahkan beberapa kelompok data yan sudah terkelompokkan
Lebih terperinciAPLIKASI 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 terperinciBAB I PENDAHULUAN 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Data mining bertujuan untuk menemukan pola-pola yang valid, baru, mempunyai nilai guna, dan mudah dipahami dari data yang ada. Jenis pola yang dihasilkan ditentukan
Lebih terperinciCust. 1 : milk, bread, cereal. Cust. 2 : milk, bread, Sugar, eggs. Cust. 3 : milk, bread, butter
Mining Association Rules in Large Databases S1 Teknik Informatika Fakultas Teknologi Informasi Universitas Kristen Maranatha Agenda Pendahuluan Association Rule Mining Market Basket Analysis Basic Concept
Lebih terperinciAssocation 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 terperinciASSOCIATION RULES PADA TEXT MINING
Text dan Web Mining - FTI UKDW - BUDI SUSANTO 1 ASSOCIATION RULES PADA TEXT MINING Budi Susanto versi 1.2 Text dan Web Mining - FTI UKDW - BUDI SUSANTO 2 Tujuan Memahami algoritma Apriori dan FP-Growth
Lebih terperinciPola 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 terperinciANALISIS 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 terperinciSPASIAL CLASIFICATION MINING UNTUK MENENTUKAN PRAKIRAAN CURAH HUJAN BERDASARKAN KARAKTERISTIK WILAYAH
Studia Informatika: Jurnal Sistem Informasi, 9(2), 206, 89-20 SPASIAL CLASIFICATION MINING UNTUK MENENTUKAN PRAKIRAAN CURAH HUJAN BERDASARKAN KARAKTERISTIK WILAYAH Eva Khudzaeva Proram Studi Sistem Informasi,
Lebih terperinciANALISIS KERANJANG BELANJA DENGAN ALGORITMA APRIORI PADA PERUSAHAAN RETAIL
Seminar Nasional Sistem Informasi Indonesia, 2-4 Desember 2013 ANALISIS KERANJANG BELANJA DENGAN ALGORITMA APRIORI PADA PERUSAHAAN RETAIL A.A. Gede Bagus Ariana 1), I Made Dwi Putra Asana 2) 1 STMIK STIKOM
Lebih terperinciSISTEM 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 terperinciPENERAPAN 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 terperinciBAB 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 terperinciPENGEMBANGAN APLIKASI PENENTUAN TINGKAT KEUNTUNGAN PADA E- COMMERCE DENGAN MENGGUNAKAN ALGORITMA K-MEANS DAN APRIORI
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
Lebih terperinciDATA MINING MENGGUNAKAN ALGORITMA APRIORI UNTUK ANALISIS PENJUALAN
PROSIDING SEMINAR ILMIAH SISTEM INFORMASI DAN TEKNOLOGI INFORMASI Pusat Penelitian dan Pengabdian Pada Masyarakat (P4M) STMIK Dipanegara Makassar Jl. Perintis Kemerdekaan Km. 9 Makassar 1 DATA MINING MENGGUNAKAN
Lebih terperinciAPLIKASI 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 terperinciANALISA 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 terperinciBAB 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 terperinciALGORITMA PARALEL FP-GROWTH UNTUK PENGGALIAN KAIDAH ASOSIASI PADA JARINGAN KOMPUTER
ALGORITMA PARALEL FP-GROWTH UNTUK PENGGALIAN KAIDAH ASOSIASI PADA JARINGAN KOMPUTER F.X. Arunanto, Syaiful Isman Jurusan Teknik Informatika, Fakultas Teknologi Informasi, Institut Teknologi Sepuluh Nopember
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN SISTEM
BAB III ANALISIS DAN PERANCANGAN SISTEM III.1 Analisis Sistem Analisis sistem adalah penguraian dari suatu sistem informasi yang utuh kedalam bagian-bagian komponennya dengan maksud untuk mengidentifikasi
Lebih terperinciIMPLEMENTASI ALGORITMA APRIORI DALAM MENENTUKAN PERSEDIAAN OBAT
IMPLEMENTASI ALGORITMA APRIORI DALAM MENENTUKAN PERSEDIAAN OBAT Gusti Ahmad Syaripudin 1), Edi Faizal 2) 1) Teknik Informatika STMIK El Rahma Yogyakarta 1) Jl. Sisingamangaraja No. 76, Karangkajen, Brontokusuman,
Lebih terperinciLAMPIRAN. Lampiran 1. Hasil Wawancara
L.1 LAMPIRAN Lampiran 1 Hasil Wawancara Hasil Wawancara denan Kepala Personalia : Apakah Proses perekrutan di perusahaan telah dapat memenuhi permintaan tenaa kerja? Menurut saya, aktivitas perekrutan
Lebih terperinciBAB II LANDASAN TEORI. Anindita Dwi Respita,2015. a. Penelitian ini menjelaskan tentang tujuan : menggunakan metode market basket analysis.
BAB II LANDASAN TEORI 2.1 Tinjauan Pustaka 2.1.1 Penelitian Terkait 1) Penelitian terdahulu dengan judul Online Shop kecantikan dan kosmetik dengan pemberian saran pembelian produk menggunakan Market Basket
Lebih terperinciBAB 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 terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Perkembangan dunia perdagangan di Indonesia, khususnya pada industri grosir dan retail semakin ramai dan menuntut adanya inovasi tinggi. Ritel merupakan mata rantai
Lebih terperinci