BAB 3 ANALISIS HIPOTESIS

Ukuran: px
Mulai penontonan dengan halaman:

Download "BAB 3 ANALISIS HIPOTESIS"

Transkripsi

1 BAB 3 ANALISIS HIPOTESIS Pada bagian ini dibahas mengenai analisis hipotesis sequential pattern dapat dimanfaatkan sebagai node ordering dalam mengkonstruksi struktur BN. Analisis dimulai dengan melakukan kajian terhadap karakteristik dan manfaat dari node ordering dan sequence pattern untuk menemukan prinsip yang ada pada keduanya. Hasil yang diperoleh akan digunakan sebagai acuan dasar untuk menganalisis hipotesis, kemudian dari hasil analisis tersebut akan dapat disimpulkan kebenaran hipotesis yang diajukan. Pada bagian akhir dilakukan analisis lebih lanjut adanya kemungkinan pemanfaatan sequential pattern sebagai informasi node ordering yang digunakan oleh algoritma apapun dalam mengkonstruksi struktur BN. Bab ini ditutup dengan pemaparan hubungan sequential pattern dan node ordering dalam konteks konstruksi struktur BN Node Ordering Sesuai dengan definisi II.16, bahwa stuktur causal Bayesian network adalah struktur yang dibangun dari model DAG. Jika model DAG dikonstruksi dengan memanfaatkan informasi node ordering, maka model DAG tersebut menyatakan bukan hanya kebebasan (independency) saja, tetapi juga kebebasan bersyarat (conditional independency) [PEA01]. Hal ini terjadi karena node ordering yang dimanfaatkan merepresentasikan kausalitas. Pernyataan tersebut diperkuat oleh definisi II.17, bahwa node ordering adalah urutan simpul-sumpul pada graf yang merepresentasikan hubungan sebab-akibat (causal) yang artinya adalah simpul yang muncul lebih awal adalah simpul yang merupakan penyebab dari simpul yang muncul berikutnya [CHE01[a]]. Sebagai contoh, seorang yang telah menderita penyakit paruparu akan mengakibatkan orang tersebut sering mengalami keletihan (penyakit paruparu sebagai sebab, dan keletihan sebagai akibat). Dengan demikian, node ordering itu menyatakan suatu hubungan kausalitas yang kuat yang akan dimanfaatkan oleh algoritma konstruksi struktur BN pada saat melakukan CI test, karena node ordering 34

2 tersebut membantu untuk menemukan bukan hanya kebebasan saja, tetapi juga kebebasan bersyarat. Informasi node ordering biasanya didefinisikan oleh pakar berdasarkan pengalamannya dengan tetap menjamin hubungan kausalitas pada seluruh simpul. Informasi node ordering dapat juga merupakan hasil uji statistik yang dilakukan pada penelitian. Pada algoritma TPDA node ordering merupakan sebuah masukan yang menjadi prasyarat mutlak ada yang harus dipenuhi. Pada saat mengkonstruksi struktur BN, algoritma TPDA memanfaatkan informasi mengenai node ordering untuk meminimalkan jumlah CI test. Jumlah CI test dapat direduksi karena dengan diketahuinya informasi node ordering tersebut maka pemeriksaan terhadap aliran informasi yang terdapat pada pasangan simpul tidak harus berulang kali. Sebagai akibatnya, algoritma TPDA yang memanfaatkan informasi node ordering akan memiliki kompleksitas yang relatif lebih baik jika dibanding dengan algoritma lain dengan tanpa diketahui informasi node ordering. Untuk memberi penjelasan yang lebih detil, berikut diberikan sebuah contoh yang diambil dari sub bab yaitu contoh yang digunakan pada algoritma TPDA. Pada saat pembahasan contoh tersebut, manfaat dari node ordering pada setiap fase konstruksi stuktur BN juga akan diidentifikasi. Diasumsikan bahwa diberikan informasi node ordering adalah (A,B,C,D,E). Pada fase 1, dilakukan penghitungan nilai mutual information pasangan simpul yang lebih besar dari ε, dan dihasilkan urutan pasangan simpul adalah I(B,D) I(C,E) I(B,E) I(A,B) I(B,C) I(C,D) I(D,E) I(A,D) I(A,E) I(A,C). Selanjutnya pasangan simpul diambil satu demi satu untuk diperiksa, dimulai pada pasangan yang memiliki nilai mutual information terbesar. Jika hasil pemeriksaan memberikan hasil bahwa pasangan simpul yang diambil tersebut tidak memiliki lintasan terbuka (open path) pada graf terkini, maka sebuah busur dibuat untuk menghubungkan pasangan simpul tersebut. Proses pemeriksaan tersebut terus dilakukan hingga seluruh pasangan simpul telah selesai diperiksa. 35

3 Ada atau tidak ada lintasan terbuka pada graf dapat diperiksa dengan memanfaatkan informasi node ordering yang diberikan. Menurut definisi II.1, lintasan terbuka hanya dapat terjadi pada dua jenis chain yang non collider, yaitu head-to-tail dan tail-to-tail. Kedua jenis chain ini sangat mudah diidentifikasi dengan memanfaatkan node ordering. Pada gambar II.6.b simpul C dan D tidak dihubungkan oleh sebuah busur karena hasil pemeriksaan menunjukkan bahwa pasangan simpul (C,D) telah memiliki lintasan terbuka yaitu C B D (tail-to-tail). Pada fase 2, graf terkini kembali diperiksa untuk menghubungkan simpul-simpul yang seharusnya terhubung, namun pada graf tersebut masih belum terhubung. Caranya adalah dengan menemukan cut set yang dapat membuat dua buah simpul d-separated pada graf. Berdasarkan definisi II.2, d-separation dapat terjadi jika setiap chain antara dua simpul diblok oleh cut set. Selanjutnya cut-set yang ditemukan akan digunakan dalam CI test untuk memeriksa apakah dua simpul tersebut adalah bebas kondisional jika diketahui cut set. Jika ternyata bebas kondisional maka pasangan simpul tersebut dihubungan dengan sebuah busur. Tanpa informasi node ordering pengujian CI test harus dilakukan berulang kali antar simpul (untuk menemukan menentukan cut-set yang minimal), sehingga dapat ditemukan arah panah dari busur yang menghubungan kedua simpul tersebut. Dengan memanfaatkan node ordering, CI test yang dilakukan tidak perlu bolak-balik antara simpul, namun cukup sekali saja sehingga kompleksitas algoritma bisa berkurang. Pada gambar II. 6.c simpul C dan D tidak dihubungkan oleh sebuah busur karena hasil CI test menunjukkan bahwa I(C,D {B}) < ε yang artinya bebas kondisional. Pada fase 3, graf terkini kembali diperiksa untuk membuang busur yang berlebih. Prinsip yang sama seperti pada fase 2 digunakan yaitu menemukan cut set dan melakukan CI test untuk memeriksa kebebasan kondisionalnya. Informasi node ordering juga dimanfaatkan untuk menemukan minimum cut set. Dengan contoh yang telah diberikan, terlihat jelas bahwa informasi node ordering yang digunakan pada algoritma TPDA bermanfaat untuk mengurangi jumlah CI test yang harus dilakukan. Dengan diketahuinya node ordering, maka CI test tidak perlu lagi dilakukan berulang kali pada pasangan simpul, karena sebelum CI test 36

4 dilakukan, sumber (penyebab) dan tujuan (akibat) dari aliran informasi sudah diketahui secara pasti. Melalui pemaparan yang telah diberikan tersebut, terlihat jelas bahwa node ordering yang digunakan oleh algoritma TPDA sangat bermanfaat untuk mengurangi banyaknya pemeriksaan lintasan dan arah yang terdapat pada pasangan simpul saat melakukan CI test. Pada satu pasang simpul, pemeriksaan dilakukan cukup satu kali saja, karena prinsip kausalitas yang melekat pada informasi node ordering menjadi sebuah syarat cukup untuk menetapkan cut set yang tepat, sehingga CI test dapat dilakukan satu kali saja dengan mengkondisikan cut set sebagai himpunan simpul yang diketahui nilainya (memiliki evident). Sebagai contoh, jika diketahui informasi node ordering adalah (A,B,C), maka pemeriksaan yang perlu dilakukan pada pasangan simpul (A,C) adalah I(A,C B) karena {B} adalah cut set yang tepat Sequential Pattern Sequential pattern adalah pola yang merepresentasikan urutan waktu terjadinya peristiwa-peristiwa (sesuai definisi II.18), yang merupakan hasil proses mining terhadap suatu himpunan data transaksi berukuran relatif besar. Sequential pattern pada dasarnya disusun oleh himpunan frequent itemset yang memenuhi min_sup, yaitu himpunan itemset yang memiliki frekuensi kemunculan melebihi threshold (sesuai definisi II.20). Berikut diberikan sebuah contoh, yang diambil dari gambar III.1. Seluruh data transaksi telah dikelompokkan ke dalam id_pelanggan dan diurutkan menaik berdasarkan waktu_transaksi pada gambar III.1(a) dan sequence pelanggan yang terbentuk terdapat pada gambar III.1(b) 37

5 id_pelanggan waktu_transaksi item Juni Juni Juni Juni Juni , ,60, Juni 93 30,50, Juni Juni Juli , Juni id_pelanggan sequence pelanggan 1 (30), (90) 2 (10,20), (30), (70,60,40) 3 (30, 70, 50) 4 (30), (70, 40), (90) 5 (90) (b) (a) Gambar III.1. Cuplikan proses pembentukan sequential pattern: (a) Data seluruh transaksi dikelompokkan dan diurutkan (b) Sequence pelanggan Sequence pelanggan yang terdapat pada gambar III.1(b) berisikan himpunan itemset. Untuk pelanggan pertama, sequence yang terbentuk adalah (30), (90) dengan itemset pertama berisikan sebuah item dengan nomor 30, dan itemset kedua berisikan sebuah item dengan nomor 90. Kedua itemset tersebut dituliskan terurut sesuai tanggal transaksi, yang dalam hal ini item 30 lebih dahulu dibeli kemudian item 90. Hal yang sama juga berlaku untuk pelanggan lainnya. Dari seluruh sequence pelanggan yang terbentuk, akan ditentukan frequent itemset dengan menggunakan aturan support yang ada pada association rule. Sebagai contoh, jika didefinisikan min_sup adalah 25% maka akan dihasilkan dua buah maksimal sequence yaitu (30), (90) dan (30), (40, 70). (definisi maksimal sequence ada pada definisi II.21). Kedua sequence yang terbentuk akan menjadi sequential pattern. Terlihat bahwa sequential pattern tetap merepresentasikan adanya informasi temporal. Pada sequential pattern (30), (40, 70) itemset pertama yang berisi sebuah item dengan nomor 30, dan pada itemset kedua berisi dua buah item bernomor 40 dan 70. Hal ini menunjukkan pola transaksi yang dilakukan oleh pelanggan adalah: pertama sekali membeli item 30, dan suatu saat nanti akan membeli item 40 saja atau 70 saja atau keduanya. Pola sequence yang dihasilkan adalah akibat dari proses pengurutan 38

6 seluruh transaksi berdasarkan atribut waktu_transaksi yang dilakukan oleh masing-masing pelanggan. Proses yang dilalui hingga dapat menemukan sequential pattern disebut sequential pattern mining, dan telah diaplikasikan dalam algoritma yang dikembangkan dengan konsep dasar sequential pattern. Sebagai catatan, dalam tulisan ini tidak dibahas tentang algoritmanya, namun sebuah algoritma AprioriAll telah diberikan pada bagian lampiran C. Pada proses tersebut, aturan support digunakan berulang kali dalam melakukan seleksi untuk menemukan seluruh frequent itemset. Aturan support tersebut adalah alat bantu uji statistik untuk menemukan seluruh sequence yang memenuhi syarat minimum support. Dengan melihat karakteristik sequential pattern tersebut, maka dapat disimpulkan bahwa sequential pattern adalah mengandung informasi urutan waktu kejadian atau disebut dengan informasi temporal Analisis Hipotesis Untuk menyegarkan ingatan, kembali dituliskan hipotesis pada penelitian ini yaitu: sequential pattern dapat dimanfaatkan sebagai informasi node ordering dalam mengkonstruksi struktur BN. Hipotesis ini berdasar pada adanya kesamaan yang terdapat pada node ordering dan sequential pattern. Yang pertama, kesamaan dalam notasi penulisan, yaitu notasi (n 1,n 2,n 3,n 4,...n i ) pada node ordering dan notasi s 1,s 2,s 3,s 4,...s j pada sequential pattern. Yang kedua, kesamaan dalam urutan kemunculan simpul pada node ordering dan urutan kemunculan himpunan itemset pada sequential pattern (dalam hal urutan simpul n 1 muncul mendahului n 2, dan dalam hal urutan himpunan elemen s 1 muncul mendahului s 2 ). Berdasarkan kesamaan tersebut, timbul suatu dugaan bahwa pada dasarnya informasi node ordering dapat disediakan oleh sequential pattern, sehingga sequential pattern dapat dimanfaatkan sebagai node ordering dan selanjutnya digunakan sebagai paramater masukan pada algoritma konstruksi struktur BN. Seperti telah dijelaskan terlebih dahulu, pada sequential pattern, pola sequence yang dihasilkan menyatakan urutan kejadian peristiwa-peristiwa. Dalam suatu kumpulan 39

7 data transaksi belanja atau yang lebih dikenal dengan market basket data, sequence tersebut menyatakan urutan waktu pembelian himpunan item yang dilakukan oleh pelanggan, berdasarkan waktu kunjungan belanja yang terjadi. Suatu sequential pattern dinotasikan dengan is 1, is 2,..., is k yang dalam hal ini i k adalah itemset dan k merepresentasikan waktu terjadinya transaksi dengan nilai k yang lebih kecil menyatakan waktu terjadinya transaksi lebih dahulu dibandingkan dengan nilai k yang lebih besar (sesuai definisi II.21). Jadi penulisan sebuah sequential pettern (30), (40, 70) yang dapat juga ditulis dengan (30), (70, 40) (urutan item pada suatu itemset tidak diperhatikan sesuai definisi II.20), menunjukkan bahwa peristiwa terjadinya transaksi terhadap itemset (30) mendahului terjadinya transaksi terhadap itemset (40, 70). Melaui notasi penulisan tersebut ditarik kesimpulan bahwa dari seluruh transaksi yang dianalisis, peristiwa transaksi belanja terhadap item dengan nomor 30 mendahului transaksi belanja item dengan nomor 40 saja, atau 70 saja, atau 40 dan 70 bersamaan, telah memenuhi syarat tertentu untuk dapat dijadikan sebagai sebuah informasi pola belanja yang umum dilakukan oleh pelanggan. Sebagai akibatnya, jika kemudian hari seorang pelanggan melakukan transaksi pembelian terhadap item dengan nomor 30, maka probabilitas pelanggan yang sama akan membeli item dengan nomor 40 saja, atau 70 saja, atau keduanya bersamaan, lebih besar dibanding probabilitas membeli item lainnya. Pada proses menemukan pola sequence tersebut, seluruh transaksi yang terjadi dibentuk menjadi customer sequence yang disusun terurut menaik berdasarkan waktu transaksi (sesuai definisi II.20), kemudian digunakan aturan support untuk menemukan seluruh frequent itemset. Sebagai akibatnya pola sequence yang dihasilkan secara implisit menyatakan hubungan kemunculan itemset dalam urutan waktu (temporal). Untuk lebih jelas, berikut diberikan sebuah contoh. Andaikan seorang pelanggan pada transaksi pertama melakukan pembelian terhadap sebuah item, misalkan item tersebut adalah komputer, maka biasanya pelanggan tersebut juga pada suatu saat nanti akan melakukan pembelian terhadap printer. Suatu saat di sini artinya bisa saja pada transaksi yang sama atau pada transaksi berikutnya. Namun secara intuisi, hampir dapat dipastikan bahwa seseorang tidak akan membeli printer terlebih dahulu pada suatu transaksi, lalu kemudian membeli komputer pada transaksi berikutnya. Hal ini adalah wajar, karena printer tidak dapat digunakan tanpa ada komputer, namun 40

8 sebaliknya komputer dapat digunakan meskipun tidak ada printer. Dalam contoh tersebut, printer adalah item pelengkap, sehingga printer dibeli setelah komputer. Lalu jika diasumsikan pelanggan tersebut melakukan pembelian terhadap komputer pada suatu transaksi, maka data transaksi pembelian komputer oleh pelanggan tersebut akan disimpan, dengan atribut id_pelanggan, item, dan waktu_transaksi. Seiring berjalannya waktu, pelanggan tersebut memiliki kebutuhan untuk mencetak hasil pekerjaannya dengan menggunakan printer. Kemudian pelanggan tersebut kembali ke toko yang sama untuk membeli printer. Data transaksi pembelian printer oleh pelanggan tersebut akan disimpan dengan atribut transaksi yang sama dengan transaksi sebelumnya. Sebagi akibatnya akan tercatat bahwa pelanggan tersebut telah melakukan dua transaksi terhadap item yang berbeda, yaitu transaksi pertama terhadap komputer dan kemudian transaksi kedua terhadap printer, dan kedua transaksi memiliki waktu_transaksi yang berbeda. Seluruh data transaksi yang terjadi termasuk data transaksi yang dilakukan oleh pelanggan lainnya, akan membentuk sebuah market basket data. Untuk mempersingkat penjelasan, setelah melalui prosesproses yang mengaplikasikan min_sup untuk menemukan frequent itemset, diasumsikan bahwa sequential pattern yang dihasilkan adalah (komputer), (printer). Sequential pattern ini merepresentasikan suatu urutan transaksi, yaitu transaksi komputer dilakukan mendahului transaksi printer. Dari contoh tersebut terlihat bahwa pada dunia nyata sesungguhnya sudah ada hubungan kausalitas antara komputer dan printer. Hubungan kausalitas ini juga yang membentuk suatu pola sequence yang ditemukan dari basis data. Namun pola sequence yang dihasilkan dari basis data, tidak merepresentasikan adanya hubungan kausalitas antara komputer dan printer. Hal ini dapat disimpulkan karena hasil uji statistik dengan aturan support hanya akan memberikan hasil perhitungan kemunculan bersama himpunan item yang memenuhi threshold. Dengan mengambil contoh yang diberikan pada kasus pembelian komputer dan printer, sequential pattern yang ditemukan pada market basket data akan menghasilkan pola sequence yang memenuhi minimum support. Pola sequence yang dihasilkan menyatakan urutan terjadinya transaksi pembelian itemset. Pengujian statistik yang dilakukan secara ilmiah dalam menghasilkan sequential pattern yang hanya merepresentasikan informasi temporal (urutan waktu terjadinya peristiwa). 41

9 Pada node ordering, penulisan notasi dinyatakan dengan (n 1,n 2,n 3,n 4,...,n i ) yang merepresentasikan hubungan kausalitas yang ada pada seluruh simpul tersebut. Sebuah informasi node ordering berupa (A,B,C,D,E) merepresentasikan bahwa simpul A adalah penyebab dari simpul B, C, D, dan E sehingga pasangan simpul yang dihubungkan oleh busur berarah yang mungkin dibentuk adalah: A B, A C, A D, A E, B C, B D, B E, C D, C E, dan D E (sesuai definisi II.7). Dalam proses membangun struktur BN, algoritma TPDA memanfaatkan informasi node ordering tersebut dalam melakukan pengujian statistik yang disebut dengan CI test untuk memeriksa apakah dua buah simpul bebas kondisional atau tidak, sehingga jumlah CI test dapat dikurangi. Pemeriksaan dengan mudah dilakukan pada saat menemukan cut-set yang tepat yang dapat membuat simpul A dan simpul B menjadi d-seperated. Sebagai contoh, untuk melakukan d-seperation terhadap simpul A dan simpul B, dengan informasi node ordering adalah (A,B,C,D,E) yang menunjukkan bahwa A mendahului B, maka sebuat cut set dapat ditentukan sebagai orangtua dari B. Berdasarkan definisi II.11, sesuai konteks berpikir manusia, informasi node ordering akan diterjemahkan ke dalam dua aspek yaitu temporal dan statistik. Secara temporal, jika diberikan informasi node ordering adalah (A,B,C) maka dapat dinyatakan bahwa simpul A adalah penyebab dari simpul B, atau simpul C, atau kedua simpul B dan C, yang berarti A terjadi lebih dahulu kemudian B dan kemudian C. Tetapi aspek temporal saja tidak cukup, sehingga seharusnya perlu penjelasan ilmiah secara statistik untuk menterjemahkan node ordering. Namun karena informasi node ordering didefinisikan secara langsung oleh pakar dan merupakan hasil penelitian atau pengalamannya, maka penjelasan statistik tidak diperlukan lagi, karena hubungan kausalitas pada node ordering sudah dijamin. Pada lain pihak, sequential pattern merepresentasikan informasi temporal. Informasi temporal yang ada pada sequential pattern cocok dengan informasi node ordering namun terbatas hanya pada aspek temporal saja. Jika seandainya sequential pattern merepresentasikan hubungan kausalitas maka sudah pasti sequential pattern cocok dengan node ordering. Namun karena penjelasan ilmiah secara statistik pada 42

10 sequential pattern yang dilakukan dengan mengaplikasikan hanya prinsip frequent itemset, maka sequential pattern sama sekali tidak merepresentasikan hubungan kausalitas, namun hanya merepresentasikan informasi temporal. Pada lain pihak, node ordering yang dihasilkan oleh pakar, didefinisikan berdasarkan suatu uji statistik atau pengalamannya dan telah dijamin hubungan kausalitas simpul penyusunnya (dituliskan pada bab 3). Pengujian statistik yang dilakukan pada node ordering semata-mata hanya menentukan hubungan kausalitas yang terkandung pada kumpulan data, dan tidak ada hubungannya dengan informasi temporal (sesuai definisi II.13) Secara notasi penulisan, memang sequential pattern dengan notasi is 1, is 2,..., is k dan node ordering dengan notasi (n 1,n 2,n 3,n 4,...,n i ) memiliki persamaan ditinjau dari struktur penulisannya. Namun meskipun dari sisi notasi keduanya dituliskan relatif sama, namun kedua notasi penulisan tersebut tidak merepresentasikan satu prinsip yang sama, masing-masing merepresentasikan prinsip yang berbeda, yaitu prinsip informasi temporal pada sequential pattern dan prinsip hubungan kausalitas pada node ordering. Demikian juga urutan kemunculan simpul yang ada pada node ordering, meskipun pada sequential pattern notasi is 1, is 2,..., is k menyatakan bahwa is dengan indeks k yang lebih kecil lebih dahulu terjadi dibanding is dengan indeks k yang lebih besar, sama seperti pada node ordering notasi (n 1,n 2,n 3,n 4,...,n i ) yang menyatakan bahwa simpul n dengan indeks i yang lebih kecil lebih dahulu terjadi dibanding n dengan indeks i yang lebih besar, namun pada node ordering urutan simpul tidak semata-mata hanya merepresentasikan urutan kejadian. Pada node ordering, selain merepresentasikan urutan kejadian, juga merepresentasikan hubungan kausalitas. Lebih lanjut lagi, pada algoritma konstruksi struktur BN, informasi node ordering yang dimanfaatkan adalah informasi node ordering yang merepresentasikan adanya hubungan kausalitas Kesimpulan Analisis Hipotesis Sesuai dengan pembahasan yang diberikan, maka meskipun aspek temporal memberi peluang kepada sequential pattern untuk dapat dimanfaatkan sebagai informasi node ordering, namun karena informasi node ordering yang dibutuhkan oleh algoritma konstruksi struktur BN adalah informasi yang merepresentasikan adanya hubungan kausalitas, akibatnya hipotesis dipatahkan. Sesuai dengan definisi II.13 bahwa hanya 43

11 hubungan kausalitas yang dapat ditemukan lewat pengujian statistik, dan tidak ada hubungannya dengan informasi temporal. Untuk dapat menyimpulkan keterkaitan antara sequential pattern dan node ordering, maka kembali digunakan definisi II.11. Menurut definisi II.11 dalam konteks berpikir manusia, hubungan kausalitas harus memenuhi dua aspek yaitu: temporal dan statistik. Aspek temporal menyatakan bahwa sebab harus mendahului akibat. Sedangkan aspek statistik adalah untuk menyatakan suatu penjelasan ilmiah akan kausalitas untuk memastikan bahwa hanya hal yang bersifat ilmiah yang akan dihasilkan [PEA01]. Artinya adalah bahwa dengan melakukan pengujian statistik, hubungan kausalitas dapat dinyatakan secara ilmiah, dan pada setiap hubungan kausalitas tentu mengandung informasi temporal. Pada sub bab sebelumnya, node ordering secara ilmiah berdasarkan pemeriksaan statistik sudah terbukti merepresentasikan hubungan kausalitas. Berdasarkan definisi tersebut, maka node ordering juga pasti merepresentasikan informasi temporal. Pada lain pihak, sequential pattern secara ilmiah berdasarkan pemeriksaan statistik hanya merepresentasikan informasi temporal. Maka disimpulkan bahwa secara matematis, sequential pattern adalah himpunan bagian dari node ordering. Sudah jelas bahwa sequential pattern tidak memiliki unsur kausalitas untuk dijadikan sebagai node ordering. Pertanyaan yang kemudian muncul adalah: apakah dengan menambahkan uji statistik kausalitas pada sequential pattern yang sudah ditemukan tersebut (atau diformulasikan dengan SP + uji statistik kausalitas), akan membuat hasil baru tersebut dapat dimanfaatkan sebagai node ordering sehingga dapat dimanfaatkan oleh algoritma konstruksi struktur BN? Sesungguhnya hasil baru tersebut (SP + uji statistik kausalitas) dapat dimanfaatkan sebagai node ordering. Namun jika hal ini dilakukan, akan terjadi tumpang tindih (over lap) antara SP + uji kausalitas dan algoritma konstruksi struktur BN itu sendiri. Hasil analisis pada peran node ordering pada sub bab III.1 menunjukan bahwa pemeriksaan kebebasan kondisional (CI test) pada pasangan simpul dapat dikurangi bila informasi node ordering sudah diketahui, dan dalam hal ini pengujian CI test tersebut adalah pengujian statistik kausalitas. Dari kenyataan ini jelas terlihat bahwa 44

12 pada saat mengkonstruksi struktur BN, algoritma melakukan sejumlah uji statistik untuk memeriksa kebergantungan dan kebebasan kondisional pada pasangan simpul, dan uji statistik tersebut sesungguhnya telah menemukan kausalitas yang ada pada simpul-simpul yang diperiksanya (definisi konsep CI test dan d-separation). Sebagai akibatnya, jika uji statistik kausalitas dilakukan juga pada SP, maka uji statistik kualitas akan dilakukan dua kali sehingga tidak efektif dan tidak efisien. Jadi disimpulkan bahwa uji statistik kausalitas yang dilakukan pada SP (SP + uji statistik kausalitas) dianggap tidak efektif dan tidak efisien. Sebenarnya SP yang dihasilkan dapat dimanfaatkan untuk mempersempit ruang pencarian terhadap NO. Penjelasannya adalah sebagai berikut. Pada saat menentukan NO, tersedia sejumlah variabel yang menjadi atribut data. Pada awalnya, seluruh variabel ini akan dijadikan sebagai NO. Namun pada pembentukan NO tersebut, SP yang sudah dihasilkan dapat dimanfaatkan sehingga jumlah variabel yang membentuk NO dapat direduksi, karena informasi temporal yang direpresentasikan oleh SP dapat dimanfaatkan untuk mempersempit ruang pencarian pada saat menentukan NO. Karena informasi SP tidak memadai untuk dapat menjadi NO, maka hipotesis yang menyatakan bahwa: sequential pattern dapat dimanfaatkan sebagai informasi node ordering dalam mengkonstruksi struktur Bayesian network secara ilmiah dinyatakan tidak sepenuhnya benar. Sequential pattern masih dapat dimanfaatkan sebagai informasi node ordering namun tidak secara langsung, karena pada sequential pattern yang telah dihasilkan perlu ditambahkan uji statistik kausalitas sehingga sequential pattern tersebut akan merepresentasikan informasi kausalitas, dan selanjutnya dapat dimanfaatkan sebagai node ordering. 45

BAB 2 DASAR TEORI Bayesian Network

BAB 2 DASAR TEORI Bayesian Network BAB 2 DASAR TEORI Bab ini berisi konsep yang berhubungan dengan Bayesian network (BN), node ordering, dan sequential pattern (SP). Penjelasan dimulai dari pendahuluan, konsep dan teori dasar BN, pendekatan

Lebih terperinci

ANALISIS PEMANFAATAN SEQUENTIAL PATTERN UNTUK MENENTUKAN NODE ORDERING PADA ALGORITMA KONSTRUKSI STRUKTUR BAYESIAN NETWORK

ANALISIS PEMANFAATAN SEQUENTIAL PATTERN UNTUK MENENTUKAN NODE ORDERING PADA ALGORITMA KONSTRUKSI STRUKTUR BAYESIAN NETWORK ANALISIS PEMANFAATAN SEQUENTIAL PATTERN UNTUK MENENTUKAN NODE ORDERING PADA ALGORITMA KONSTRUKSI STRUKTUR BAYESIAN NETWORK TESIS Karya tulis sebagai salah satu syarat Untuk memperoleh gelar Magister dari

Lebih terperinci

ALGORITMA TPDA DAN TPDA Π SEBAGAI ALTERNATIF STRUKTUR BAYESIAN NETWORK

ALGORITMA TPDA DAN TPDA Π SEBAGAI ALTERNATIF STRUKTUR BAYESIAN NETWORK ALGORITMA TPDA DAN TPDA Π SEBAGAI ALTERNATIF STRUKTUR BAYESIAN NETWORK Ivan Michael Siregar, Mewati Ayub, Hendry Handaka Departemen Teknik Informatika, Institut Teknologi Harapan Bangsa Jl. Dipatiukur

Lebih terperinci

PUSTAKA. Agrawal, Rakesh and Srikant, Ramakrishnan (2000), Mining Sequential Pattern, IBM Almaden Research Center, 650 Harry Road, San Jose, CA 95120

PUSTAKA. Agrawal, Rakesh and Srikant, Ramakrishnan (2000), Mining Sequential Pattern, IBM Almaden Research Center, 650 Harry Road, San Jose, CA 95120 PUSTAKA [AGR00] [CHE98] Agrawal, Rakesh and Srikant, Ramakrishnan (2000), Mining Sequential Pattern, IBM Almaden Research Center, 650 Harry Road, San Jose, CA 95120 Cheng, J., Bell, D. A., Liu, W. (1998)

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

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

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

BAB 2 TINJAUAN PUSTAKA

BAB 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 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

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

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

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

Mining Association Rules dalam Basis Data yang Besar

Mining 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 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

PENDAHULUAN TINJAUAN PUSTAKA

PENDAHULUAN TINJAUAN PUSTAKA Latar Belakang PENDAHULUAN Pola pengaksesan pengguna terhadap sebuah situs web biasanya tergambarkan dalam sebuah pola sekuensial. Pola sekuensial mengindikasikan bahwa transaksi biasanya terjadi secara

Lebih terperinci

BAB III METODOLOGI PENELITIAN

BAB III METODOLOGI PENELITIAN 40 BAB III METODOLOGI PENELITIAN 3.1 DESAIN PENELITIAN Dalam melakukan penelitian, dibutuhkan desain penelitian agar penelitian yang dilakukan dapat berjalan dengan baik. Berikut ini merupakan desain penelitian

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

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

IMPLEMENTASI ALGORITMA FP- GROWTH MENGGUNAKAN ASSOCIATION RULE PADA MARKET BASKET ANALYSIS

IMPLEMENTASI 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 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

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

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

ANALISA 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) 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 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 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 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. III. ANALISA PERMASALAHAN

BAB. III. ANALISA PERMASALAHAN BAB. III. ANALISA PERMASALAHAN Pada Bab II telah diuraikan beberapa teori dasar yang akan menjadi acuan / referensi ilmiah dalam melakukan penelitian. Bab ini akan berisi studi kasus yang dibangun dari

Lebih terperinci

Association Rule. Ali Ridho Barakbah

Association Rule. Ali Ridho Barakbah Association Rule Ali Ridho Barakbah Assocation rule? Mencari suatu kaidah keterhubungan dari data Diusulkan oleh Agrawal, Imielinski, and Swami (1993) Contoh Dalam suatu supermarket kita ingin mengetahui

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

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

BAB I PENDAHULUAN. Teknologi Informasi sekarang ini telah digunakan hampir di semua aspek

BAB 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 terperinci

TEKNIK PENGUJIAN PERANGKAT LUNAK (Software Testing Techniques)

TEKNIK PENGUJIAN PERANGKAT LUNAK (Software Testing Techniques) TEKNIK PENGUJIAN PERANGKAT LUNAK (Software Testing Techniques) Ujicoba software merupakan elemen yang kritis dari SQA dan merepresentasikan tinjauan ulang yang menyeluruh terhadap spesifikasi,desain dan

Lebih terperinci

PENGGUNAAN MARKET BASKET ANALYSIS DALAM DATA MINING

PENGGUNAAN MARKET BASKET ANALYSIS DALAM DATA MINING PENGGUNAAN MARKET BASKET ANALYSIS DALAM DATA MINING Narwati Dosen Fakultas Teknologi Informasi Abstrak Jumlah data yang sangat besar pada suatu perusahaan atau dalam suatu transaksi bisnis, merupakan suatu

Lebih terperinci

Penggunaan 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 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 terperinci

METODE PENELITIAN. Proses Dasar Sistem

METODE PENELITIAN. Proses Dasar Sistem Gagasan utama dari sequential pattern mining adalah untuk menemukan semua pola sekuensial yang memiliki nilai support lebih besar dari nilai minimum support yang diberikan (Fiot. C et al ). Diagram alir

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

Belajar Mudah Algoritma Data Mining : Apriori

Belajar Mudah Algoritma Data Mining : Apriori Belajar Mudah Algoritma Data Mining : Apriori Algoritma apriori merupakan salah satu algoritma klasik data mining. Algoritma apriori digunakan agar komputer dapat mempelajari aturan asosiasi. Tabel 1 di

Lebih terperinci

Analisa Keterkaitan (Link Analysis) Dengan Menggunakan Sequential Pattern Discovery Untuk Prediksi Cuaca

Analisa Keterkaitan (Link Analysis) Dengan Menggunakan Sequential Pattern Discovery Untuk Prediksi Cuaca Analisa Keterkaitan (Link Analysis) Dengan Menggunakan Wiwin Suwarningsih wiwin@informatika.lipi.go.id Nuryani nuryani@ informatika.lipi.go.id Andria Arisal andria.arisal@ informatika.lipi.go.id Abstract

Lebih terperinci

BAB II TINJAUAN PUSTAKA

BAB II TINJAUAN PUSTAKA BAB II TINJAUAN PUSTAKA 2.1 Data Mining Menurut Turban dalam bukunya yang berjudul Decision Support Systems and Intelligent Systems, data mining adalah suatu istilah yang digunakan untuk menguraikan penemuan

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

PENGGALIAN POLA CLOSED SEQUENTIAL PADA BASIS DATA YANG BERTAMBAH SECARA BERTAHAP

PENGGALIAN POLA CLOSED SEQUENTIAL PADA BASIS DATA YANG BERTAMBAH SECARA BERTAHAP PENGGALIAN POLA CLOSED SEQUENTIAL PADA BASIS DATA YANG BERTAMBAH SECARA BERTAHAP Budanis Dwi Meilani* dan Arif Djunaidy** Jurusan Teknik Informatika ITS, Surabaya 60111, email: **budanis@yahoo.com, **adjunaidy@its.ac.id

Lebih terperinci

ABSTRACT Market basket analysis is a way to know the shopping habits of people in one place on goods purchased. Market basket analysis to produce an a

ABSTRACT Market basket analysis is a way to know the shopping habits of people in one place on goods purchased. Market basket analysis to produce an a ANALISIS KERANJANG PASAR MENGGUNAKAN ALGORTIMA PREDICTIVE APRIORI UNTUK MENEMUKAN ATURAN ASOSIASI DI APOTEK SEHAT JAYA NINDITYA KHARISMA, METTY MUSTIKASARI Undergraduate Program, Information Systems Gunadarma

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

PENERAPAN 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 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 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

BAB I PENDAHULUAN 1.1 Latar Belakang Masalah

BAB 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 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

Link Analysis (Superset) 3 Kategori Link Analysis (#1) 3 Kategori Link Analysis (#2) Association Rule Mining. 3 Kategori Link Analysis (#3)

Link Analysis (Superset) 3 Kategori Link Analysis (#1) 3 Kategori Link Analysis (#2) Association Rule Mining. 3 Kategori Link Analysis (#3) Knowledge Discovery in Databases (IS704) dan Data Mining (CS704) Kuliah #7: Association Rules Mining (Bagian 1) Gunawan Jurusan Teknik Informatika Link Analysis (Superset) Tujuan: Mencari hubungan antara

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

BAB I PENDAHULUAN. yang cepat dan besar di Asia (Kartiwi, 2006). Pertumbuhan e-commerce yang

BAB I PENDAHULUAN. yang cepat dan besar di Asia (Kartiwi, 2006). Pertumbuhan e-commerce yang BAB I PENDAHULUAN 1.1 Latar Belakang Indonesia adalah salah satu negara dengan pertumbuhan pasar e-commerce yang cepat dan besar di Asia (Kartiwi, 2006). Pertumbuhan e-commerce yang besar tersebut membuat

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 III METODE PENELITIAN. desaign dan coding program. Dibutuhkan waktu selama kurang lebih 8 bulan

BAB 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 terperinci

ALGORITMA PARALEL FP-GROWTH UNTUK PENGGALIAN KAIDAH ASOSIASI PADA JARINGAN KOMPUTER

ALGORITMA 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 terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI 4 BAB II LANDASAN TEORI 2.1 Tinjauan Studi Banyak penelitian dilakukan dalam menganalisis keranjang pasar untuk rekomendasi produk. Hal ini dapat dilihat dari banyaknya buku-buku, jurnal ilmiah dan conference

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

Data Mining III Asosiasi

Data Mining III Asosiasi Data Mining III Asosiasi Mata Kuliah Data Warehouse Universitas Darma Persada Oleh Adam Arif B 2011 Data Mining-Aturan Asosiasi-AAB 1 Data Mining - Asosiasi Market basket analysis Tool untuk menemukan

Lebih terperinci

BAB I PENDAHULUAN 1.1 Latar Belakang

BAB 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 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

BAB II TINJAUAN PUSTAKA

BAB II TINJAUAN PUSTAKA BAB II TINJAUAN PUSTAKA 2.1 Recommender System Berdasarkan [6], Recommender System merupakan bagian dari Sistem Pengolahan Informasi yang dimaksudkan untuk mempresentasikan informasi yang mungkin diminati

Lebih terperinci

I.1 Latar Belakang Masalah Seiring berjalannya waktu dan perkembangan teknologi media penyimpanan elektronik, setiap organisasi dapat menyimpan

I.1 Latar Belakang Masalah Seiring berjalannya waktu dan perkembangan teknologi media penyimpanan elektronik, setiap organisasi dapat menyimpan BAB. I. PENDAHULUAN I.1 Latar Belakang Masalah Seiring berjalannya waktu dan perkembangan teknologi media penyimpanan elektronik, setiap organisasi dapat menyimpan datanya secara elektronik dan bersifat

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 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

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

SEQUENTIAL PATTERN MINING DENGAN SPADE UNTUK PREDIKSI PEMBELIAN SPARE PART DAN AKSESORIS KOMPUTER PADA KEDATANGAN KEMBALI KONSUMEN

SEQUENTIAL PATTERN MINING DENGAN SPADE UNTUK PREDIKSI PEMBELIAN SPARE PART DAN AKSESORIS KOMPUTER PADA KEDATANGAN KEMBALI KONSUMEN SEQUENTIAL PATTERN MINING DENGAN SPADE UNTUK PREDIKSI PEMBELIAN SPARE PART DAN AKSESORIS KOMPUTER PADA KEDATANGAN KEMBALI KONSUMEN Riqky Juliastio dan Gunawan Teknologi Informasi Sekolah Tinggi Teknik

Lebih terperinci

II. TINJAUAN PUSTAKA

II. TINJAUAN PUSTAKA II. TINJAUAN PUSTAKA 2.1 Sistem Informasi Manajemen Mcleod R dan Schell G, (2004) membagi sumber daya menjadi dua bagian yaitu sumberdaya fisikal dan sumberdaya konseptual. Sumber daya fisikal terdiri

Lebih terperinci

BAB 1 PENDAHULUAN 1.1 Pengantar Komputer

BAB 1 PENDAHULUAN 1.1 Pengantar Komputer BAB 1 PENDAHULUAN 1.1 Pengantar Komputer Saat ini komputer dan piranti pendukungnya telah masuk dalam setiap aspek kehidupan dan pekerjaan. Komputer dimanfaatkan dalam segala bidang dikarenakan komputer

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

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

BAB I PENDAHULUAN. 1.1 Latar Belakang

BAB I PENDAHULUAN. 1.1 Latar Belakang 1.1 Latar Belakang BAB I PENDAHULUAN Peningkatan jumlah dokumen ilmiah yang ada menimbulkan kebutuhan akan suatu sistem yang dapat memberikan rekomendasi dokumen ilmiah yang baik. Recommendation system

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

6 SISTEM EVALUASI 6.1 Data Responden Evaluasi Elemen Desain Kursi Rotan 6.2 Pengembangan Sistem Evaluasi Elemen Desain Kursi Rotan

6 SISTEM EVALUASI 6.1 Data Responden Evaluasi Elemen Desain Kursi Rotan 6.2 Pengembangan Sistem Evaluasi Elemen Desain Kursi Rotan 6 SISTEM EVALUASI Sistem evaluasi bertujuan untuk memperoleh pengetahuan antara kata Kansei dengan elemen desain yang menunjukkan kata tersebut. Pengetahuan tersebut diperoleh dari responden dengan menggunakan

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

SISTEM REKOMENDASI PAKET MAKANAN DENGAN ALGORITMA FP-GROWTH PADA RESTORAN SEAFOOD XYZ

SISTEM 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 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

BAB 2 TINJAUAN PUSTAKA

BAB 2 TINJAUAN PUSTAKA BAB 2 TINJAUAN PUSTAKA 2.1 Data Mining Data mining adalah eksplorasi dan analisis data dalam jumlah besar untuk menemukan pola yang berarti dan beraturan. Tujuan data mining adalah untuk meningkatkan pemasaran,

Lebih terperinci

Harmonisasi Algoritma Hybrid Untuk Membangun Struktur Bayesian Network Pada Basisdata

Harmonisasi Algoritma Hybrid Untuk Membangun Struktur Bayesian Network Pada Basisdata Harmonisasi Algoritma Hybrid Untuk Membangun Struktur Bayesian Network ada Basisdata Ilham M.Said, Handayani Tjandrasa Teknik Informatika ITS ilham@cs.its.ac.id Staff engajar Teknik Informatika ITS Abstrak

Lebih terperinci

BAB IV GAMBARAN UMUM METODOLOGI DATA MINING

BAB IV GAMBARAN UMUM METODOLOGI DATA MINING BAB IV GAMBARAN UMUM METODOLOGI DATA MINING A. Metodologi Data Mining Metodologi Data Mining Komponen data mining pada proses KDD seringkali merupakan aplikasi iteratif yang berulang dari metodologi data

Lebih terperinci

Struktur Bayesian Network untuk Penentuan Class Karakteristik Siswa pada Sistem Tutor Cerdas

Struktur Bayesian Network untuk Penentuan Class Karakteristik Siswa pada Sistem Tutor Cerdas Struktur Bayesian Network untuk Penentuan Class Karakteristik Siswa pada Sistem Tutor Cerdas Ika Widiastuti #1, Ratih Ayuninghemi #2 # Jurusan Teknologi Informasi, Politeknik Negeri Jember Jl. Mastrip

Lebih terperinci

ASSOCIATION RULES PADA TEXT MINING

ASSOCIATION RULES PADA TEXT MINING Text dan Web Mining - FTI UKDW - BUDI SUSANTO 1 ASSOCIATION RULES PADA TEXT MINING Budi Susanto versi 1.4 Text dan Web Mining - FTI UKDW - BUDI SUSANTO 2 Tujuan Memahami algoritma Apriori dan FP-Growth

Lebih terperinci

Penggunaan Algoritma Divide and Conquer Dalam Pewarnaan Graf

Penggunaan Algoritma Divide and Conquer Dalam Pewarnaan Graf Penggunaan Algoritma Divide and Conquer Dalam Pewarnaan Graf Desfrianta Salmon Barus - 13508107 Program Studi Teknik Informatika Sekolah Teknik Elektro dan Informatika Institut Teknologi Bandung, Jl. Ganesha

Lebih terperinci

APLIKASI DATA MINING MENGGUNAKAN ATURAN ASOSIASI DENGAN METODE APRIORI UNTUK ANALISIS KERANJANG PASAR PADA DATA TRANSAKSI PENJUALAN APOTEK

APLIKASI DATA MINING MENGGUNAKAN ATURAN ASOSIASI DENGAN METODE APRIORI UNTUK ANALISIS KERANJANG PASAR PADA DATA TRANSAKSI PENJUALAN APOTEK APLIKASI DATA MINING MENGGUNAKAN ATURAN ASOSIASI DENGAN METODE APRIORI UNTUK ANALISIS KERANJANG PASAR PADA DATA TRANSAKSI PENJUALAN APOTEK Leni Meiwati Jurusan Sistem Informasi Fakultas Ilmu Komputer dan

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

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

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

APLIKASI ALGORITMA CLASSIFY-BY-SEQUENCE UNTUK PENILAIAN KREDIT PADA BANK Y. Mohammad Iqbal 1. Abstrak

APLIKASI ALGORITMA CLASSIFY-BY-SEQUENCE UNTUK PENILAIAN KREDIT PADA BANK Y. Mohammad Iqbal 1. Abstrak APLIKASI ALGORITMA CLASSIFY-BY-SEQUENCE UNTUK PENILAIAN KREDIT PADA BANK Y Mohammad Iqbal Jurusan Matematika, FMIPA-Institut Teknologi Sepuluh Nopember iqbalmohammad.math@gmail.com Abstrak Dalam penilaian,

Lebih terperinci

MILIK UKDW BAB I PENDAHULUAN. 1.1 Latar Belakang Masalah

MILIK UKDW BAB I PENDAHULUAN. 1.1 Latar Belakang Masalah BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Graf adalah suatu himpunan simpul yang dihubungkan dengan busurbusur. Pada sebuah graf hubungan antar simpul yang dihubungkan oleh busur memiliki sebuah keterkaitan.

Lebih terperinci

BAB IV ANALISIS, PERANCANGAN, DAN IMPLEMENTASI PERANGKAT LUNAK

BAB IV ANALISIS, PERANCANGAN, DAN IMPLEMENTASI PERANGKAT LUNAK BAB IV ANALISIS, PERANCANGAN, DAN IMPLEMENTASI PERANGKAT LUNAK Pada bab ini akan dibahas berbagai hal yang terkait analisis dan perancangan perangkat lunak web mining yang diusulkan sebagai solusi permasalahan.

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

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

IMPLEMENTASI DATA MINING PADA PENJUALAN PRODUK ELEKTRONIK DENGAN ALGORITMA APRIORI (STUDI KASUS : KREDITPLUS)

IMPLEMENTASI DATA MINING PADA PENJUALAN PRODUK ELEKTRONIK DENGAN ALGORITMA APRIORI (STUDI KASUS : KREDITPLUS) IMPLEMENTASI DATA MINING PADA PENJUALAN PRODUK ELEKTRONIK DENGAN ALGORITMA APRIORI (STUDI KASUS : KREDITPLUS) Dewi Kartika Pane (0911801) Mahasiswa Program Studi Teknik Informatika, STMIK Budidarma Medan

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

BAB II TINJAUAN PUSTAKA. mewakilkan objek dan peristiwa yang memiliki arti dan sangat penting bagi

BAB II TINJAUAN PUSTAKA. mewakilkan objek dan peristiwa yang memiliki arti dan sangat penting bagi BAB II TINJAUAN PUSTAKA 2.1. Pengertian Data Data belum dapat dika/takan mempunyai makna penting atau informasi bagi penerima sebelum dilakukan pengolahan data. Data adalah fakta yang dapat dicatat dan

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

BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI. yang tepat. Sistem data mining mampu memberikan informasi yang tepat dan

BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI. yang tepat. Sistem data mining mampu memberikan informasi yang tepat dan BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI 2.1. Tinjauan Pustaka Sistem data mining akan lebih efektif dan efisiensi dengan komputerisasi yang tepat. Sistem data mining mampu memberikan informasi yang

Lebih terperinci

LANDASAN TEORI. Bab Konsep Dasar Graf. Definisi Graf

LANDASAN TEORI. Bab Konsep Dasar Graf. Definisi Graf Bab 2 LANDASAN TEORI 2.1. Konsep Dasar Graf Definisi Graf Suatu graf G terdiri atas himpunan yang tidak kosong dari elemen elemen yang disebut titik atau simpul (vertex), dan suatu daftar pasangan vertex

Lebih terperinci

ASSOCIATION RULE MINING UNTUK PENENTUAN REKOMENDASI PROMOSI PRODUK

ASSOCIATION 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 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

MATERI PRAKTIKUM PRAKTIKUM 4 ANALISA AR-MBA (ASSOCIATION RULE - MARKET BASKET ANALYSIS)

MATERI PRAKTIKUM PRAKTIKUM 4 ANALISA AR-MBA (ASSOCIATION RULE - MARKET BASKET ANALYSIS) PRAKTIKUM 4 ANALISA AR-MBA (ASSOCIATION RULE - MARKET BASKET ANALYSIS) Tujuan Praktikum 1. Mahasiswa dapat mengetahui salah satu metode asosiasi dalam data mining. 2. Memberikan pemahaman mengenai prosedurmarket

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

BAB I PENDAHULUAN. sisanya 21 persen berada di pulau lain (Djumenda, 2016).

BAB I PENDAHULUAN. sisanya 21 persen berada di pulau lain (Djumenda, 2016). BAB I PENDAHULUAN 1.1 Latar Belakang Jumlah toko di Indonesia merupakan yang terbesar kedua di dunia. Jumlah toko tradisional dan modern di Indonesia mencapai 2,5 juta toko. Untuk penyebaran toko, mayoritas

Lebih terperinci