PENERAPAN ALGORITMA APRIORI UNTUK MEMPEROLEH ASSOCIATION RULE ANTAR ITEMSET BERDASARKAN PERIODE PENJUALAN DALAM SATU TRANSAKSI
|
|
- Djaja Irawan
- 7 tahun lalu
- Tontonan:
Transkripsi
1 PENERAPAN ALGORITMA APRIORI UNTUK MEMPEROLEH ASSOCIATION RULE ANTAR ITEMSET BERDASARKAN PERIODE PENJUALAN DALAM SATU TRANSAKSI Devi Fitrianah, Ade Hodijah Program Studi Teni Informatia, Faultas Ilmu Komputer, Universitas Mercu Buana JL. Raya Meruya Selatan, Kembangan, Jaarta, Abstra Dalam dunia bisnis yang penuh persaingan menuntut seorang pengambil eputusan untu melihat peluangpeluang yang dapat meningatan penjualan di perusahaannya. Salah satu unsur penting penduung pengambilan eputusan adalah etersediaan data transasi dalam jumlah besar sebagai sumber informasi untu analisis ecenderungan pola pembelian belanja onsumen. Untu itu dalam penulisan ini diembangan apliasi analisis association untu mengestrasi dan menginterpretasi pola ecenderungan produ-produ yang sering dibeli bersamaan pada periode penjualan tertentu dari data transasi menggunaan algoritma apriori. Algoritma apriori ini aan membentu frequent itemset sebanya yang telah ditentuan sebelumnya berdasaran dua parameter, support dan confidence, untu menemuan aturan asosiasi antara suatu ombinasi item. Proses yang dilauan diawali dengan persiapan data melalui preprocessing data emudian ditransformasi e dalam bentu yang dapat diolah pada proses selanjutnya yaitu join dan prune hingga pembentuan association rules. Dari hasil pengujian, apliasi yang dibangun mampu melauan penerapan algoritma apriori dengan terbentunya pola-pola frequent itemset dari data transasi sebagai bahan analisis pola pembelian belanja onsumen. Kata Kunci: Apriori, Frequent Itemset, Association rules, Data Transasi 1. Pendahuluan Gudang data yang berisi data bisnis merupaan salah satu aset utama yang dimilii perusahaan. Bagi perusahaan dengan sala ecil, seperti tootoo ecil, pengolahan data dengan sistem basis data sederhana sudah mencuupi untu bahan analisa seorang manajer dalam pengambilan eputusan. Tida demiian dengan perusahaan yang bergera dengan sala besar, yang memasaran produ dalam jumlah besar dengan jenis item yang juga sangat banya dan beragam, misalnya sebuah supermaret, yang setiap bulannya harus menangani ratusan bahan ribuan transasi. Untu meningatan usability etersediaan data transasi sebagai sumber informasi, misalnya penggunaan computer based method untu menganalisis, meringas dan mengestrasi nowledge dari data tersebut, perlu adanya suatu sistem yang dapat menduung manajer dalam mengambil eputusan secara cepat dan juga tepat. Salah satu cara untu mendapatan nowledge adalah dengan melauan penambangan data. Penambangan data diperluan untu memperoleh informasi-informasi yang cuup untu dianalisa lebih lanjut. Pada supermaret, informasi tersebut dapat berupa produ-produ apa saja yang sering terjual pada periode watu tertentu dan data produ lain yang dibeli secara bersamaan oleh onsumen. Selanjutnya dapat diambil satu contoh hasil analisis yang diinginan, seperti jia manajer pemasaran telah mengetahui produ apa saja yang biasa dibeli bersamaan maa salah satu tindaan onrit yang dapat dilauan adalah menata rara barangnya, seperti tata leta barang mana yang harus diletaan berdeatan sehingga memudahan onsumen untu mendapatan barang atau mengingatan onsumen jia pada saat itu lupa ingin membeli atau membutuhan barang tersebut. Selain itu, manajer juga dapat mengambil siap dengan menyediaan lebih banya barang tertentu di watu-watu tertentu, sehingga nantinya edua eputusan ini dapat mendatangan euntungan yang lebih bagi perusahaan. Dari latar belaang seperti terpapar di atas, dapat dirumusan permasalahan yaitu bagaimana melauan penambangan data transasi penjualan dengan association rule mining menggunaan algoritma apriori untu mengetahui pola-pola frequent itemset agar diperoleh hasil analisis ecenderungan pola pembelian belanja onsumen. Data yang diambil sebagai contoh asus adalah basis data Northwind yang merupaan database default saat instalasi SQL Server Hasil penulisan ini diharapan dapat memberian gambaran langah-langah penerapan algoritma apriori dalam menambang data. 2. Teori Penunjang Topi yang dibahas merupaan topi yang beraitan dengan analisis yang beraitan dengan ebiasaan belanja onsumen, maa metode yang Volume III/No.1/Mei/
2 paling tepat digunaan adalah Maret Baset Analysis. Untu menghasilan pola asosiasinya, penulis menggunaan algoritma apriori. 2.1 Data Mining Data mining atau Knowledge Discovery in Database adalah proses untu menemuan interesting nowledge dari sejumlah besar data yang disimpan bai di dalam transactional database, data warehouse atau tempat penyimpanan informasi lainnya[1]. 2.2 Association Rule Mining Association rule mining adalah suatu prosedur untu mencari hubungan antar item dalam suatu data set yang ditentuan[1]. Association Rule Mining meliputi dua tahap: a. Mencari ombinasi yang paling sering terjadi dari suatu itemset (frequent itemset). b. Meng-generate Association Rule dari frequent itemset yang telah dibuat sebelumnya. Umumnya ada dua uuran epercayaan (interestingness measure) yang digunaan dalam menentuan suatu association rule, yaitu Support dan Confidence[3]. 2.3 Maret baset analysis Maret Baset Analysis merupaan analisis terhadap ebiasaan onsumen berbelanja pada supermaret dengan cara menemuan asosiasi dan orelasi diantara berbagai macam items yang dimasuan onsumen di dalam eranjang belanjaannya [5]. Secara lebih spesifi, maret baset analysis bertujuan untu mengetahui items apa saja yang sering dibeli bersamaan oleh onsumen. Items di sini diartian sebagai berbagai macam produ atau barang pada supermaret tersebut. Fungsi association rules seringali disebut dengan maret baset analysis. Fungsi ini paling banya digunaan untu menganalisa data dalam ranga eperluan strategi pemasaran, desain catalog, dan proses pembuatan eputusan bisnis. Algoritma paling dasar untu mencari itemset sering muncul (disebut frequent itemset) adalah algoritma apriori. 2.4 Algoritma Apriori Algoritma apriori adalah algoritma analisis eranjang pasar yang digunaan untu menghasilan aturan asosiasi, dengan pola ifthen. Algoritma apriori menggunaan pendeatan iteratif yang dienal dengan level-wise search, dimana -elompo produ digunaan untu mengesplorasi (+1)-elompo produ atau (+1)-itemset [1]. Beberapa istilah yang digunaan dalam algoritma apriori antara lain: a. Support (duungan): probabilitas pelanggan membeli beberapa produ secara bersamaan dari seluruh transasi. Support untu aturan X Y adalah probabilitas atribut atau umpulan atribut X dan Y yang terjadi bersamaan. b. Confidence (tingat epercayaan): probabilitas ejadian beberapa produ dibeli bersamaan dimana salah satu produ sudah pasti dibeli. Contoh: jia ada n transasi dimana X dibeli, dan ada m transasi dimana X dan Y dibeli bersamaan, maa confidence dari aturan if X then Y adalah m/n. c. Minimum support: parameter yang digunaan sebagai batasan freuensi ejadian atau support count yang harus dipenuhi suatu elompo data untu dapat dijadian aturan. d. Minimum confidence: parameter yang mendefinisian minimum level dari confidence yang harus dipenuhi oleh aturan yang berualitas. e Itemset: elompo produ f. Support count: freuensi ejadian untu sebuah elompo produ atau itemset dari seluruh transasi. g. Kandidat itemset (C ): itemset-itemset yang aan dihitung support count-nya. h. Frequent itemset (F ): itemset yang sering terjadi, atau itemset-itemset yang sudah melewati batas minimum support yang telah ditentuan. Ada dua proses utama yang dilauan algoritma apriori, yaitu: 1. Join (penggabungan): untu menemuan F, C dibangitan dengan melauan proses join F dengan dirinya sendiri, C =F *F lalu , anggota C diambil hanya yang terdapat didalam F Prune (pemangasan): menghilangan anggota C yang memilii support count lebih ecil dari minimum support agar tida dimasuan e dalam F. Metodologi dasar algoritma apriori untu membangitan frequent itemset terbagi menjadi dua tahap: a. Analisa pola freuensi tinggi 1. Menelusuri seluruh record di basis data transasi dan menghitung support count dari tiap item. Ini adalah andidat 1-itemset, C. 1 Nilai support menggunaan rumus [2]: Jumlah _ transasi _ berisi _ A Support( A) = Total _ transasi Jumlah _ transasi _ berisi _ A B Support( A, B) = Total _ transasi 2. Frequent 1-itemset F dibangun dengan 1 menyaring C dengan support count yang lebih 1 Volume III/No.1/Mei/
3 besar sama dengan minimum support untu dimasuan edalam F Untu membangun F, algoritma apriori 2 menggunaan proses join untu menghasilan C Dari C, 2-itemset yang memilii support count 2 yang lebih besar sama dengan minimum support aan disimpan e dalam L Proses ini diulang sampai tida ada lagi emunginan -itemset. Contoh tahapan pembangitan C, F, C, F, C, F terlihat pada Gambar 1. b. Pembentuan aturan asosiatif Dari beberapa frequent itemset yang telah ditemuan, dapat dibangitan aturan-aturan asosiasi yang berualitas. Syarat aturan asosiasi yang adalah harus memenuhi minimum support dan minimum confidence yang telah ditentuan. Confidence dari setiap aturan yang dibangitan dapat dihitung dengan menggunaan rumus [2]: sup port _ count( A B) Confidence( A B) = sup port _ count( A) Berdasaran rumusan diatas, aturan asosiasi dapat dibangitan dengan langah: 1. Untu setiap itemset l, bangitan seluruh subset l yang tida osong. 2. Untu setiap subset s dari l yang tida osong, buat aturan s => (l- s) jia sup port _ count( l) minimum _ confidence sup port _ count( s) Gambar 1. Pencarian candidate itemsets dan frequent itemset dengan minimum support = 2 [Sumber: Han, Jiawei, and Micheline Kamber, Data Mining: Concepts and Techniques, Morgan Kaufmann, 2001, p. 233 (telah diolah embali).] Algoritma aprirori dapat dilihat sebagai beriut [1]: L 1 = find_frequent_1_itemset(d); For (=2; L -1 ; ++) { C = apriori_gen(l -1,min_sup); For each transaction t D //scan D for counts { C t subset(c,t); //get the subsets of t that are candidates Volume III/No.1/Mei/
4 For each candidate c C t { c.count ++; L = { c C c.count min_sup return L = U L ; Procedure apriori_gen(l -1 :frequent(-1)-itemsets; min_sup:min_sup_threshold) For each itemset l 1 L -1 { For each l 2 L -1 { If ( (l 1 [1]= l 2 [1]) (l 1 [2]= l 2 [2]) (l 1 [-2]= l 2 [-2]) (l 1 [-1] < l 2 [-1]) )then { c = l 1 l 2 ; //join step: generate candidates If (has_infrequent_subset(c,l -1 )) then { delete c; //prune step: remove unfruitful candidate Else { add c to C ; return C ; Procedure has_infrequent_subset(c:candidate_-itemset; L -1 :frequent_(-1)-itemsets) //use prior nowledge For each (-1)-subset s of c { If s L -1 then { return TRUE; return FALSE; 3. Desain Sistem 3.1 Analisa Kebutuhan Sistem Dalam mengimplementasian algoritma apriori untu mencari aturan asosiasi, penulis menggunaan basis data Northwind, dimana dalam basis data tersebut terdapat diantaranya 3 tabel, yaitu tabel Orders menyimpan transasi yang terjadi dalam suatu perusahaan, tabel OrderDetails menjelasan barang apa saja yang terbeli dalam masing-masing transasi pada tabel Orders, sedangan tabel Products menyimpan detail data barang yang terbeli untu setiap transasi pada tabel OrderDetails. Atribut-atribut yang dipilih, yaitu atribut OrderDate sebagai representasi watu, Quantity sebagai representasi sto, ProductName sebagai representasi jenis barang yang dibeli oleh onsumen. Data yang dapat diterima oleh algoritma apriori adalah hanya data yang bersifat numeri, sehingga diperluan proses transformasi data terlebih dahulu. Proses transformasi data tes atau ategorial menjadi numeri adalah dengan cara memberian nilai epada setiap data yang berbeda secara ontinyu. Data yang bernilai sama maa aan mempunyai nilai yang sama. Atribut-atribut yang belum bertipe numeri, yani atribut ProductName dan OrderDate, maa pada atribut-atribut tersebut harus dilauan numerisasi terlebih dahulu. Sedangan atribut Quantity telah bertipe numeri, sehingga tida perlu lagi dilauan proses numerisasi. Pada atribut ProductName ategori yang ada hanya berupa Dibeli dan Tida dibeli, maa setelah dilauan proses numerisasi, data Dibeli aan ditransformasi menjadi 1 dan data Tida dibeli menjadi 0. Selanjutnya numerisasi pada atribut OrderDate ini difousan pada data tanggal transasi dengan rentang watu per-3 ali dalam sebulan, yani tanggal (1-10) adalah Periode awal bulan aan ditransformasi menjadi 1, (11-20) adalah Periode tengah bulan aan ditransformasi menjadi 2, dan (21-tanggal ahir per bulan) adalah Periode ahir bulan aan ditransformasi menjadi 3. Langah dalam pembuatan apliasi association rule mining menggunaan algoritma apriori dijelasan dalam flowchart yang tampa pada Gambar 2, Gambar 3, dan Gambar 4 beriut. Volume III/No.1/Mei/
5 Mulai min_support, min_confidence 1. c := 1 2. Total_transasi := Query SUM(OrderID) dalam tabel Orders 3. Ketemu := false Ada tabel C[c] dalam database? Hapus tabel C[c] Tida 1. Buat tabel C[c](ProductID,count_support) 2. Tabel C[c](ProductID) := Query DISTINCT(ProductID) dalam tabel OrderDetails 3. Tabel C[c](count_support) := Query SUM(ProductID) dalam tabel OrderDetails 4. L := 1 Query Frequent := count_support dalam tabel C[c] count_support >= min_support? Tida Hapus itemset dalam tabel C[c] Tida EOF Query Frequent? Gambar 2. Flowchart algoritma apriori proses join dan prune [Sumber: Kusrini dan Emha Taufiq Luthfi, Algoritma Data Mining, Penerbit Andi, 2009, p (telah diolah embali).] A Volume III/No.1/Mei/
6 Gambar 3. Flowchart algoritma apriori proses join dan prune (lanjutan) [Sumber: Kusrini dan Emha Taufiq Luthfi, Algoritma Data Mining, Penerbit Andi, 2009, p (telah diolah embali).] Volume III/No.1/Mei/
7 B c := c+1 Tambahan olom antecendent,antecendentconsequent,countconfidence dalam tabel C[c] Query Assosiatif := generate semua nonempty C[c-1](s) dari C[c](l) untu setiap frequent itemset C[c](l) Rule = s l-s or Rule trivial? Tida Hapus itemset dalam tabel C[c] Tida 1. A := s 2. B := l-s 3. Count_A := Query SUM(A(ProductID)) dalam tabel OrderDetails 4. Count_A B := Query SUM(A(ProductID) AND B(ProductID)) dalam tabel OrderDetails 5. Tabel C[c](antecendent) := Count_A 6. Tabel C[c](antecendentConsequent) := Count_A B 7. Tabel C[c](countConfident) := Count_A B / Count_A EOF Query Assosiatif? Query Confidence := count_confidence dalam tabel C[c] count_confident >= min_confidence? Tampil rule := count_confidence * 100% Tida Tida EOF Query Confidence? Selesai Gambar 4. Flowchart algoritma apriori proses pembentuan aturan asosiatif [Sumber: Kusrini dan Emha Taufiq Luthfi, Algoritma Data Mining, Penerbit Andi, 2009, p (telah diolah embali).] Volume III/No.1/Mei/
8 Gambar 5. Activity diagram use case association Gambar 6. Isi tabel transasi untu input proses Generate Association Volume III/No.1/Mei/
9 3.2 Tahap Proses Association Desain dari proses ini dapat dilihat pada Gambar 5. Tahap proses Association adalah apliasi berbasis Windows XP dan dibangun menggunaan software ompilasi PHP serta database engine MySQL. Pada tahap ini dilauan proses association rule mining terhadap data transasi Northwind yang telah tersimpan dalam tabel TabularTransasi. Implementasi dilauan menggunaan algoritma apriori dengan melauan proses analisa pola freuensi tinggi (proses join dan prune) emudian proses pembentuan aturan asosiatif (proses generate association rule). 3.3 Desain Database Basis data yang diembangan terdiri dari tabel yang bersifat referensi, input, dan output. Tabel yang bersifat referensi ini terdiri dari 3 tabel, yaitu tabel Orders, OrderDetails, dan Products. Tabel ini merupaan tabel dari basis data transasi penjualan, yaitu Northwind, yang diperoleh saat instalasi SQL Server 2000, database default. Relasi tabel relasi ini dapat dilihat pada gambar 7 Tabel yang bersifat input adalah tabel Transasi, yani tabel tabel yang menyimpan data sebagai input e proses association. Seluruh data yang berada dalam tabel ini telah bersifat numeri. Terahir adalah tabel yang bersifat output, tabel yang aan menyimpan data hasil association. Tabel ini terdiri dari 2 tabel. Pertama, tabel Frequent, yani tabel yang menyimpan data frequent itemsets, hasil proses join dan prune. Kedua, tabel Rule, yani tabel yang menyimpan data association rule, hasil proses pembentuan aturan asosiatif. Susunan tabel input dan tabel output dapat dilihat pada gambar 8. FREQUENT IDFREQUENT ORDERID PRODUCTID SUPPORT_COUNT BASEORDERIDFREQ ORDERID = ORDERID TRANSAKSI ORDERID PRODUCTID QUANTITY ORDERDATE IDFREQUENT = IDFREQUENT RULE IDRULE IDFREQUENT ANTECENDENT CONSEQUENT COUNT_SUPPORT COUNT_CONFIDENCE BASEORDERIDRL Gambar 7. Rancangan basis data dari apliasi yang aan dibangun 4. Pengujian Sistem Pengujian dilauan menggunaan spesfiasi hardware dan software beriut: Processor : Intel Dual-Core 1.2 GHz Memory : 1 GB Operating System : Ms. Windows XP SP2 Database : MySQL Beriut adalah senario pengujian yang dilauan: 1. Apaah sistem dapat melauan proses association rule mining dengan jumlah atribut data berbeda sesuai dengan pilihan pengguna? 2. Apaah sistem dapat melauan pra pemrosesan data (transformasi atribut)? 3. Apaah sistem dapat melauan proses asosiasi termasu proses join dan prune? 4. Apaah sistem dapat menampilan hasil asosiasi? 5. Apaah sistem dapat menyimpan hasil asosiasi? Hasil implementasi dapat dilihat dari gambar 8 sampai gambar 11. Hasil pengujian lengap terdapat pada table hasil pengujian. Gambar 8. Form Selection Data Volume III/No.1/Mei/
10 Gambar 9. Form Association Gambar 10. Form association rules mining Persentase Gambar 11. Form association rules mining Periode Volume III/No.1/Mei/
11 Aturan asosiasi yang diperoleh pada gambar 10 sebagai beriut: 1. JIKA membeli Asparagus dan Squash, MAKA aan membeli Beans dengan nilai support 28.6% dan confidence 80% 2. JIKA membeli Asparagus dan Beans, MAKA aan membeli Squash dengan nilai support 28.6% dan confidence 80% Aturan asosiasi yang diperoleh pada gambar 11 sebagai beriut: 1. JIKA membeli Asparagus dan Squash, MAKA aan membeli Beans dengan nilai support 28.6% dan confidence 80% Detail periode: Asparagus - Periode ahir bulan: 1 Squash - Periode ahir bulan: Beans - Periode ahir bulan: 0 2. JIKA membeli Asparagus dan Beans, MAKA aan membeli Squash dengan nilai support 28.6% dan confidence 80% Asparagus - Periode ahir bulan: 1 Beans - Periode ahir bulan: 1 Squash - Periode ahir bulan: 1 No Tabel 1 Hasil Pengujian Implementasi Kebutuhan Sistem dapat melauan proses association rule mining dengan jumlah atribut data berbeda sesuai pilihan pengguna. Sistem mampu melauan pra pemrosesan data (transformasi atribut). Sistem dapat melauan proses algoritma association, dalam hal ini algoritma apriori, termasu dilauannya proses join dan prune. Sistem dapat menampilan hasil association, sehingga data-data yang memilii ecenderungan pembelian bersama dapat dietahui. Informasi pengelompoan data barang ini berdasaran persentase dan periode penjualan. Sistem dapat menyimpan hasil association Terpen uhi T i Y d a a Keterangan Pengguna dapat menginputan data sesuai yang diinginan sebagai input e proses association. Pemenuhan ebutuhan ini terhadap sistem terdapat pada menu Selection Data. Sistem berhasil melauan transformasi menggunaan penguuran variabel biner untu atribut ProductName dan penguuran ategorial untu atribut OrderDate. Pemenuhan ebutuhan ini terhadap sistem terdapat pada menu Association. Sistem telah mengimplementasian algoritma apriori. Pemenuhan ebutuhan ini terhadap sistem terdapat pada menu Association. Pengguna dapat melihat data hasil association dan melihat hasilnya dalam format tabel dan grafi. Pemenuhan ebutuhan ini terhadap sistem terdapat pada menu Interpretasi Persentase dan Periode. Hasil proses association yang terahir dilauan dapat dilihat pengguna walau apliasi telah dimatian. Pemenuhan ebutuhan ini terhadap sistem terdapat pada menu View the last association. 4. KESIMPULAN Dari hasil pembahasan dapat disimpulan bahwa penulisan telah berhasil untu: Semain tinggi batasan minimum support count yang ditentuan maa association rules yang dihasilan semain sediit. Sehingga menurunan data barang yang dihasilan namun lebih meningatan asosiasi diantara user s threshold dengan pengelompoan data barang. Bila di-input-an nilai threshold yang tida sesuai dengan jumlah masimum support_count dan confidence berdasaran jumlah emunculan itemset pada database, maa hasil pencarian association rule aan menghasilan daftar yang null. Hal ini diarenaan nilai threshold tida memenuhi minimal persayaratan frequent 2-itemset. 5. DAFTAR PUSTAKA [1] Han, Jiawei and Micheline Kamber, Data Mining Concepts and Techniques, Morgan Kaufmann, California, [2] Kusrini, Emha Taufiq Luthfi, 2009, Algoritma Data Mining, Penerbit Andi, Yogyaarta. [3] Larose, D. T., 2005, Discovering Knowledge in data: An Introduction to Data Mining, A John Wiley and sons, Inc., Publication, New Jersey. [4] Santosa, Budi Data Mining-Teni Pemanfaatan Data Untu Keperluan Bisnis. Graha Ilmu. Yogyaarta. [5] Olson, David dan Yong Shi Introduction to Business Data Mining. New Yor: Mc- Graw-Hill. Volume III/No.1/Mei/
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 terperinciANALISIS KINERJA ALGORITMA FOLD-GROWTH DAN FP-GROWTH PADA PENGGALIAN POLA ASOSIASI
Seminar Nasional Apliasi Tenologi Informasi 26 (SNATI 26) ISSN: 97-522 Yogyaarta, 7 Juni 26 ANALISIS KINERJA ALGORITMA FOLD-GROWTH DAN FP-GROWTH PADA PENGGALIAN POLA ASOSIASI Rully Soelaiman, Ni Made Arini
Lebih terperinciA 8 Penggunaan Algoritma T-Apriori* Untuk Pencarian Association Rule Pada Data Spatio-Temporal
A 8 Penggunaan Algoritma T-Apriori* Untu Pencarian Association Rule Pada Data Spatio-Temporal Oleh: Imam Muhlash (Jurusan Matematia FMIPA ITS) Abstra Seiring dengan berembang pesatnya apliasi basisdata,
Lebih terperinciBAB II KONSEP DAN DEFINISI
6 BAB II KONSEP DAN DEFINISI Pada bab ini aan dijelasan onsep dan definisi-definisi yang digunaan dalam metode pada penelitian ini. 2.1 DATA TRANSAKSI isalan = { 1, 2, 3,..., } adalah himpunan semua produ
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belaang Model Loglinier adalah salah satu asus husus dari general linier model untu data yang berdistribusi poisson. Model loglinier juga disebut sebagai suatu model statisti
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 III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN A. Tempat dan Watu Penelitian Penelitian ini dilauan di Jurusan Matematia Faultas Matematia dan Ilmu Pengetahuan Alam Universitas Lampung. Watu penelitian dilauan selama semester
Lebih terperinciMODEL REGRESI INTERVAL DENGAN NEURAL FUZZY UNTUK MEMPREDIKSI TAGIHAN AIR PDAM
MODEL REGRESI INTERVAL DENGAN NEURAL FUZZY UNTUK MEMPREDIKSI TAGIHAN AIR PDAM 1,2 Faultas MIPA, Universitas Tanjungpura e-mail: csuhery@sisom.untan.ac.id, email: dedi.triyanto@sisom.untan.ac.id Abstract
Lebih terperinciPengaruh Proses Stemming Pada Kinerja Analisa Sentimen Pada Review Buku
Jurnal Hasil Penelitian LPPM Untag Surabaya Januari 2018, Vol. 03, No. 01, hal 55-59 jurnal.untag-sby.ac.id/index.php/jhp17 E-ISSN : 2502-8308 P-ISSN : 2579-7980 Pengaruh Proses Stemming Pada Kinerja Analisa
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA II.1 Tinjauan Perusahaan CV. Aldo Putra berlokasi di Jalan Pasar Induk Gedebage No. 89/104 Bandung, bergerak dibidang grosir pakaian jadi impor. Barang yang dijual di CV. Aldo Putra
Lebih terperinciPENERAPAN ALGORITMA APRIORI ASSOCIATION RULE UNTUK ANALISA NILAI MAHASISWA DI UNIVERSITAS GUNADARMA
PENERAPAN ALGORITMA APRIORI ASSOCIATION RULE UNTUK ANALISA NILAI MAHASISWA DI UNIVERSITAS GUNADARMA Margi Cahyanti 1), Maulana Mujahidin 2), Ericks Rachmat Swedia 3) 1) Sistem Informasi Universitas Gunadarma
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 terperinciKLASIFIKASI DATA MENGGUNAKAN JST BACKPROPAGATION MOMENTUM DENGAN ADAPTIVE LEARNING RATE
KLASIFIKASI DATA MENGGUNAKAN JST BACKPROPAGATION MOMENTUM DENGAN ADAPTIVE LEARNING RATE Warih Maharani Faultas Teni Informatia, Institut Tenologi Telom Jl. Teleomuniasi No.1 Bandung 40286 Telp. (022) 7564108
Lebih terperinciANALISIS PETA KENDALI DEWMA (DOUBLE EXPONENTIALLY WEIGHTED MOVING AVERAGE)
Seminar Nasional Matematia dan Apliasinya, 1 Otober 17 ANALISIS PETA KENDALI DEWMA (DOUBLE EXPONENTIALLY WEIGHTED MOVING AVERAGE) DALAM PENGENDALIAN KUALITAS PRODUKSI FJLB (FINGER JOINT LAMINATING BOARD)
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 terperinciMetodologi Algoritma A Priori. Metodologi dasar algoritma a priori analisis asosiasi terbagi menjadi dua tahap :
Metodologi Algoritma A Priori 1 Kusrini, 2 Emha Taufiq Luthfi 1 Jurusan Sistem Informasi, 2 Jurusan Teknik Informatika 1, 2 STMIK AMIKOM Yogykakarta 1,2 Jl. Ringroad Utara Condong Catur Sleman Yogyakarta
Lebih terperinciSATUAN ACARA PERKULIAHAN ( SAP )
SATUAN ACARA PERKULIAHAN ( SAP ) Mata Kuliah : Pengolahan Citra Digital Kode : IES 6323 Semester : VI Watu : 1x 3x 50 Menit Pertemuan : 7 A. Kompetensi 1. Utama Mahasiswa dapat memahami tentang sistem
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 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 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 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 terperinciBAB 3 LANGKAH PEMECAHAN MASALAH
BAB 3 LANGKAH PEMECAHAN MASALAH 3.1 Penetapan Kriteria Optimasi Gambar 3.1 Bagan Penetapan Kriteria Optimasi Sumber: Peneliti Determinasi Kinerja Operasional BLU Transjaarta Busway Di tahap ini, peneliti
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 terperinciOptimasi Non-Linier. Metode Numeris
Optimasi Non-inier Metode Numeris Pendahuluan Pembahasan optimasi non-linier sebelumnya analitis: Pertama-tama mencari titi-titi nilai optimal Kemudian, mencari nilai optimal dari fungsi tujuan berdasaran
Lebih terperinciCynthia Banowaty Pembimbing : Lely Prananingrum, S.Kom., MMSi
DATA MINING UNTUK PERANCANGAN PENGAMBILAN KEPUTUSAN PRODUK KERAJINAN MENGGUNAKAN ALGORITMA APRIORI BERBASIS WEBSITE Cynthia Banowaty 11111695 Pembimbing : Lely Prananingrum, S.Kom., MMSi Latar Belakang
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belaang Masalah untu mencari jalur terpende di dalam graf merupaan salah satu masalah optimisasi. Graf yang digunaan dalam pencarian jalur terpende adalah graf yang setiap sisinya
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 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 terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1. Statisti Inferensia Tujuan statisti pada dasarnya adalah melauan desripsi terhadap data sampel, emudian melauan inferensi terhadap data populasi berdasaran pada informasi yang
Lebih terperinciPENERAPAN ALGORTIMA APRIORI PADA DATA MINING UNTUK MENGELOMPOKKAN BARANG BERDASARKAN KECENDERUNGAN KEMUNCULAN BERSAMA DALAM SATU TRANSAKSI.
PENERAPAN ALGORTIMA APRIORI PADA DATA MINING UNTUK MENGELOMPOKKAN BARANG BERDASARKAN KECENDERUNGAN KEMUNCULAN BERSAMA DALAM SATU TRANSAKSI Abstrak Data Mining is the process of extracting knowledge hidden
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 terperinciBAB I PENDAHULUAN 1.1. Latar Belakang
BAB I PENDAHULUAN Pada bab ini berisi tentang latar belakang pembuatan dari aplikasi penentuan rekomendasi pencarian buku perpustakaan menggunakan algoritma fp-growth, rumusan masalah, tujuan, batasan
Lebih 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 terperinciPENCARIAN JALUR TERPENDEK MENGGUNAKAN ALGORITMA SEMUT
Seminar Nasional Apliasi Tenologi Informasi 2007 (SNATI 2007) ISSN: 1907-5022 Yogyaarta, 16 Juni 2007 PENCARIAN JALUR TERPENDEK MENGGUNAKAN ALGORITMA SEMUT I ing Mutahiroh, Indrato, Taufiq Hidayat Laboratorium
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 terperinciIMPLEMENTASI ALGORITMA APRIORI UNTUK MENEMUKAN FREQUENT ITEMSET DALAM KERANJANG BELANJA
Teknologi Elektro, Vol. 15, No.2, Juli - Desember 2016 27 IMPLEMENTASI ALGORITMA APRIORI UNTUK MENEMUKAN FREQUENT ITEMSET DALAM KERANJANG BELANJA Adie Wahyudi Oktavia Gama 1, I Ketut Gede Darma Putra 2,
Lebih 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 terperinciMANAJEMEN DISTRIBUSI MULTI PRODUK BERDASARKAN BOBOT PROSENTASE PENJUALAN DAN EFISIENSI BIAYA DISTRIBUSI (STUDI KASUS DI PT THAMRIN BROTHERS)
Seminar Nasional Apliasi Tenologi Informasi 2011 (SNATI 2011) ISSN: 1907-5022 Yogyaarta, 17-18 Juni 2011 MANAJEMEN DISTRIBUSI MULTI PRODUK BERDASARKAN BOBOT PROSENTASE PENJUALAN DAN EFISIENSI BIAYA DISTRIBUSI
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 terperinciSISTEM PENDUKUNG KEPUTUSAN PENENTU NILAI INTERVAL KADAR LEMAK TUBUH MENGGUNAKAN REGRESI INTERVAL DENGAN NEURAL FUZZY
SISTEM PENDUKUNG KEPUTUSAN PENENTU NILAI INTERVAL KADAR LEMAK TUBUH MENGGUNAKAN REGRESI INTERVAL DENGAN NEURAL FUZZY Tedy Rismawan dan Sri Kusumadewi Laboratorium Komputasi dan Sistem Cerdas, Jurusan Teni
Lebih terperinciBAB III METODE SCHNABEL
BAB III METODE SCHNABEL Uuran populasi tertutup dapat diperiraan dengan teni Capture Mar Release Recapture (CMRR) yaitu menangap dan menandai individu yang diambil pada pengambilan sampel pertama, melepasan
Lebih terperinciImplementasi data mining menggunakan metode apriori (studi kasus transaksi penjualan barang)
Implementasi data mining menggunakan metode apriori (studi kasus transaksi penjualan barang) Maya Suhayati,M.Kom. Jurusan Teknik Informatika, STMIK Sumedang mayasuh@stmik-sumedang.ac.id ABSTRAK Dalam suatu
Lebih terperinciPENERAPAN METODE ASOSIASI MENGGUNAKAN ALGORITMA APRIORI PADA APLIKASI ANALISA POLA BELANJA KONSUMEN (Studi Kasus Toko Buku Gramedia Bintaro)
JURNAL TEKNIK INFORMATIKA VOL 9 NO. 2, OKTOBER 2016 120 PENERAPAN METODE ASOSIASI MENGGUNAKAN ALGORITMA APRIORI PADA APLIKASI ANALISA POLA BELANJA KONSUMEN (Studi Kasus Toko Buku Gramedia Bintaro) Dewi
Lebih terperinciPENYELESAIAN PERSAMAAN LOTKA-VOLTERRA DENGAN METODE TRANSFORMASI DIFERENSIAL. Sutriani Hidri. Ja faruddin. Syafruddin Side, ABSTRAK
PENYELESAIAN PERSAMAAN LOTKA-VOLTERRA DENGAN METODE TRANSFORMASI DIFERENSIAL Syafruddin Side, Jurusan Matematia, FMIPA, Universitas Negeri Maassar email:syafruddinside@yahoo.com Info: Jurnal MSA Vol. 3
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 terperinciAplikasi Data Mining untuk meneliti Asosiasi Pembelian Item Barang di Supermaket dengan Metode Market Basket Analysis
Aplikasi Data Mining untuk meneliti Asosiasi Pembelian Item Barang di Supermaket dengan Metode Market Basket Analysis ANDREAS HANDOJO, GREGORIUS SATIA BUDHI, HENDRA RUSLY Jurusan Teknik Informatika Universitas
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 terperinciPENGGUNAAN 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 terperinciAnalisis Asosiasi pada Transaksi Obat Menggunakan Data Mining dengan Algoritma A Priori
Jurnal Sistem dan Teknologi Informasi (JUSTIN) Vol. 1, No. 1, (2016) 1 Analisis Asosiasi pada Transaksi Obat Menggunakan Data Mining dengan Algoritma A Priori Despitaria 1, Herry Sujaini 2, Tursina 3 Program
Lebih terperincikhazanah Sistem Klasifikasi Tipe Kepribadian dan Penerimaan Teman Sebaya Menggunakan Jaringan Syaraf Tiruan Backpropagation informatika
hazanah informatia Jurnal Ilmu Komputer dan Informatia Sistem Klasifiasi Tipe Kepribadian dan Penerimaan Teman Sebaya Menggunaan Jaringan Syaraf Tiruan Bacpropagation Yusuf Dwi Santoso *, Suhartono Program
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 terperinciPENENTUAN JENIS PRODUK KOSMETIK PILIHAN BERDASARKAN FAKTOR USIA DAN WARNA KULIT MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN
PENENTUAN JENIS PRODUK KOSMETIK PILIHAN BERDASARKAN FAKTOR USIA DAN WARNA KULIT MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN Amethis Otaorora 1, Bilqis Amaliah 2, Ahmad Saihu 3 Teni Informatia, Faultas Tenologi
Lebih terperinciANALISA STATIK DAN DINAMIK GEDUNG BERTINGKAT BANYAK AKIBAT GEMPA BERDASARKAN SNI DENGAN VARIASI JUMLAH TINGKAT
Jurnal Sipil Stati Vol. No. Agustus (-) ISSN: - ANALISA STATIK DAN DINAMIK GEDUNG BERTINGKAT BANYAK AKIBAT GEMPA BERDASARKAN SNI - DENGAN VARIASI JUMLAH TINGKAT Revie Orchidentus Francies Wantalangie Jorry
Lebih terperinciPENERAPAN METODE PARTICLE SWARM OPTIMIZATION PADA METODE K-HARMONIC MEANS UNTUK DATA CLUSTERING
PENERAPAN METODE PARTICLE SWARM OPTIMIZATION PADA METODE K-HARMONIC MEANS UNTUK DATA CLUSTERING Yoe Ota a, Ahmad Saihu, S.Si,MT. b Jurusan Teni Informatia, Faultas Tenologi Informasi, Institut Tenologi
Lebih terperinci1 st Seminar on Application and Research in Industrial Technology, SMART Yogyakarta, 27 April 2006
Metode Market Basket Analysis menggunakan Algoritma Pincer Search untuk Sistem Pembantu Pengambilan Keputusan Gregorius S. Budhi, Leo W. Santoso, Edward Susanto Jurusan Teknik Informatika, Fakultas Teknologi
Lebih terperinciBAB IV IMPLEMENTASI DAN PENGUJIAN
BAB IV IMPLEMENTASI DAN PENGUJIAN 4.1 Implementasi Apliasi Pada tahap implementasi ini merupaan penerapan apliasi dari hasil perancangan sistem yang ada untu mencapai suatu tujuan yang diinginan. Implementasimelasanaan
Lebih terperinciJurnal Ilmiah Komputer dan Informatika (KOMPUTA)
IMPLEMENTASI DATA MINING PADA PENJUALAN PRODUK DI PT. FOCUS GAYA GRAHA MENGGUNAKAN METODE ASSOCIATION RULE Aprisal Budiana Teknik Informatika - Universitas Komputer Indonesia Jl. Dipatiukur 112-114 Bandung
Lebih terperinciPenempatan Optimal Phasor Measurement Unit (PMU) dengan Integer Programming
JURAL TEKIK POMITS Vol. 2, o. 2, (2013) ISS: 2337-3539 (2301-9271 Print) B-137 Penempatan Optimal Phasor Measurement Unit (PMU) dengan Integer Programming Yunan Helmy Amrulloh, Rony Seto Wibowo, dan Sjamsjul
Lebih terperinciPENYELESAIAN PERSAMAAN LOTKA-VOLTERRA DENGAN METODE TRANSFORMASI DIFERENSIAL SUTRIANI HIDRI
PENYELESAIAN PERSAMAAN LOTKA-VOLTERRA DENGAN METODE TRANSFORMASI DIFERENSIAL SUTRIANI HIDRI Jurusan Matematia, FMIPA, Universitas Negeri Maassar Email: nanni.cliq@gmail.com Abstra. Pada artiel ini dibahas
Lebih terperinciVariasi Spline Kubik untuk Animasi Model Wajah 3D
Variasi Spline Kubi untu Animasi Model Wajah 3D Rachmansyah Budi Setiawan (13507014 1 Program Studi Teni Informatia Seolah Teni Eletro dan Informatia Institut Tenologi Bandung, Jl. Ganesha 10 Bandung 40132,
Lebih terperinciAnalisis Pengaruh Kualitas Pelayanan Terhadap Loyalitas Pelanggan Jasa Pengiriman Pos Kilat Khusus
Jurnal Teni Industri, Vol.1, No., Juni 013, pp.96-101 ISSN 30-495X Analisis Pengaruh Kualitas Pelayanan Terhadap Loyalitas Pelanggan Jasa Pengiriman Pos Kilat Khusus Apriyani 1, Shanti Kirana Anggaraeni,
Lebih terperinciStudi dan Analisis mengenai Hill Cipher, Teknik Kriptanalisis dan Upaya Penanggulangannya
Studi dan Analisis mengenai Hill ipher, Teni Kriptanalisis dan Upaya enanggulangannya Arya Widyanaro rogram Studi Teni Informatia, Institut Tenologi Bandung, Jl. Ganesha 10 Bandung Email: if14030@students.if.itb.ac.id
Lebih terperinciPEMANFAATAN METODE HEURISTIK DALAM PENCARIAN JALUR TERPENDEK DENGAN ALGORITMA SEMUT DAN ALGORITMA GENETIKA
PEMANFAATAN METODE HEURISTIK DALAM PENCARIAN JALUR TERPENDEK DENGAN ALGORITMA SEMUT DAN ALGORITMA GENETIKA Iing Mutahiroh, Fajar Saptono, Nur Hasanah, Romi Wiryadinata Laboratorium Pemrograman dan Informatia
Lebih terperincikhazanah Sistem Klasifikasi Tipe Kepribadian dan Penerimaan Teman Sebaya Menggunakan Jaringan Syaraf Tiruan Backpropagation informatika
hazanah informatia Jurnal Ilmu Komputer dan Informatia Sistem Klasifiasi Tipe Kepribadian dan Penerimaan Teman Sebaya Menggunaan Jaringan Syaraf Tiruan Bacpropagation Yusuf Dwi Santoso *, Suhartono Departemen
Lebih terperinciII. 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 terperinciSISTEM INFORMASI PEMBELIAN DAN PENJUALAN OBAT (Studi Kasus : Apotek Adi Cipta Parma Jl. Sirnarasa no.49 Cimahi) Oleh : Bella Hardiyana, S.
SISTEM INFORMSI PEMBELIN DN PENJULN OBT (Studi Kasus : pote di Cipta Parma Jl. Sirnarasa no.49 Cimahi) Oleh : Bella Hardiyana, S. Kom BSTRK pote di Cipta Parma adalah apote yang baru berdiri pada pertengahan
Lebih terperinciLili Tanti. STMIK Potensi Utama, Jl. K.L. Yos Sudarso Km. 6,5 No. 3A Tj. Mulia Medan ABSTRACT
Lili, Penerapan Data Mining Untuk 35 PENERAPAN DATA MINING UNTUK MENENTUKAN JUMLAH MAHASISWA PADA SATU DAERAH DENGAN MENGGUNAKAN METODE ALGORITMA APRIORI Lili Tanti Email : lili@potensi-utama.ac.id STMIK
Lebih terperinciBAB 3 PATTERN MATCHING BERBASIS JARAK EUCLID, PATTERN MATCHING BERBASIS JARAK MAHALANOBIS, DAN JARINGAN SYARAF TIRUAN BERBASIS PROPAGASI BALIK
BAB 3 PATTERN MATCHING BERBASIS JARAK EUCLID, PATTERN MATCHING BERBASIS JARAK MAHALANOBIS, DAN JARINGAN SYARAF TIRUAN BERBASIS PROPAGASI BALIK Proses pengenalan dilauan dengan beberapa metode. Pertama
Lebih terperinciIMPLEMENTASI 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 terperinciPENGENALAN POLA DENGAN MENGGUNAKAN METODE BACKPROPAGATION MENGGUNAKAN MATLAB
PENGENALAN POLA DENGAN MENGGUNAKAN METODE BACKPROPAGATION MENGGUNAKAN MATLAB Wirda Ayu Utari Universitas Gunadarma utari.hiaru@gmail.com ABSTRAK Program pengenalan pola ini merupaan program yang dibuat
Lebih terperinciMENGHITUNG PELUANG PERSEBARAN TRUMP DALAM PERMAINAN CONTRACT BRIDGE
MENGHITUNG PELUANG PERSEBARAN TRUMP DALAM PERMAINAN CONTRACT BRIDGE Desfrianta Salmon Barus - 350807 Jurusan Teni Informatia, Institut Tenologi Bandung Bandung e-mail: if807@students.itb.ac.id ABSTRAK
Lebih terperinciPREDIKSI HARGA SAHAM MENGGUNAKAN JARINGAN SYARAF TIRUAN MULTILAYER FEEDFORWARD NETWORK DENGAN ALGORITMA BACKPROPAGATION
Konferensi Nasional Sistem dan Informatia 2008; Bali, November 5, 2008 PREDIKSI HARGA SAHAM MENGGUNAKAN JARINGAN SYARAF TIRUAN MULTILAYER FEEDFORWARD NETWORK DENGAN ALGORITMA BACKPROPAGATION Wahyudi Setiawan
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. akan dibuat. Perangkat lunak yang akan dibuat adalah suatu aplikasi yang mampu
25 BAB IV HASIL DAN PEMBAHASAN 4.1 Requitment Definition 4.1.1 Pendefinisian Proyek Pendefinisian proyek meliputi pengertian dari perangkat lunak atau proyek yang akan dibuat. Perangkat lunak yang akan
Lebih terperinciIMPLEMENTASI ALGORITMA KOLONI SEMUT PADA PROSES PENCARIAN JALUR TERPENDEK JALAN PROTOKOL DI KOTA YOGYAKARTA
Seminar Nasional Informatia 2009 (semnasif 2009) ISSN: 1979-2328 UPN Veteran Yogyaarta, 23 Mei 2009 IMPLEMENTASI ALGORITMA KOLONI SEMUT PADA PROSES PENCARIAN JALUR TERPENDEK JALAN PROTOKOL DI KOTA YOGYAKARTA
Lebih terperinciPREDIKSI KEBUTUHAN PENOMORAN PADA JARINGAN TELEKOMUNIKASI MENGGUNAKAN METODE APRIORI
Prediksi Kebutuhan Penomoran Pada Jaringan Telekomunikasi. (Muztafid Khilmi) PREDIKSI KEBUTUHAN PENOMORAN PADA JARINGAN TELEKOMUNIKASI MENGGUNAKAN METODE APRIORI Mustafid Khilmi 1) Achmad Affandi 2) 1)
Lebih terperinciAPLIKASI PREDIKSI HARGA SAHAM MENGGUNAKAN JARINGAN SYARAF RADIAL BASIS FUNCTION DENGAN METODE PEMBELAJARAN HYBRID
APLIKASI PREDIKSI HARGA SAHAM MENGGUNAKAN JARINGAN SYARAF RADIAL BASIS FUNCTION DENGAN METODE PEMBELAJARAN HYBRID Ferry Tan, Giovani Gracianti, Susanti, Steven, Samuel Luas Jurusan Teni Informatia, Faultas
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 terperinciANALISIS KEPUASAN KONSUMEN TERHADAP PELAYANAN PELAYANAN JASA PENGIRIMAN PAKET (KURIR) DENGAN MENGGUNAKAN METODE TOPSIS FUZZY
Jurnal Manti Penusa Vol No Desember ISSN 88-9 ANALISIS EPUASAN ONSUMEN TERHADAP PELAYANAN PELAYANAN JASA PENGIRIMAN PAET (URIR DENGAN MENGGUNAAN METODE TOPSIS FUZZY Desi Vinsensia Program Studi Teni Informatia
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 terperinciAturan 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 terperinciBAB IV IMPLEMENTASI DAN PENGUJIAN Bab ini akan membahas mengenai implementasi dari sistem yang telah dibuat. Pengujian akan dilakukan pada setiap menu untuk memastikan bahwa sistem berjalan dan menghasilkan
Lebih terperinciAnalisa Drop Tegangan dan Susut Daya pada Jaringan Listrik Penyulang Renon Menggunakan Metode Artificial Neural Network
Analisa Drop Tegangan dan Susut Daya pada Jaringan Listri Penyulang Renon Menggunaan Metode Artificial Neural Networ I Gede Dyana Arana Jurusan Teni Eletro Faultas Teni, Universitas Udayana Denpasar, Bali,
Lebih terperinciAPLIKASI METODE FUZZY MULTI CRITERIA DECISION MAKING (FMCDM) UNTUK OPTIMALISASI PENENTUAN LOKASI PROMOSI PRODUK
APLIKASI METODE FUZZY MULTI CRITERIA DECISION MAKING (FMCDM) UNTUK OPTIMALISASI PENENTUAN LOKASI PROMOSI PRODUK Novhirtamely Kahar, ST. 1, Nova Fitri, S.Kom. 2 1&2 Program Studi Teni Informatia, STMIK
Lebih terperinciJURNAL IMPLEMENTASI DATA MINING PADA TRANSAKSI PENJUALAN BIBIT BUAH DENGAN ALGORITMA APRIORI (STUDI KASUS: UD BUAH ASRI)
JURNAL IMPLEMENTASI DATA MINING PADA TRANSAKSI PENJUALAN BIBIT BUAH DENGAN ALGORITMA APRIORI (STUDI KASUS: UD BUAH ASRI) IMPLEMENTATION DATA MINING OF SALES TRANSACTION FRUIT SEEDLING WITH ALGORITHM APRIORI
Lebih terperinciPERBANDINGAN PERFORMANSI ALGORITMA GENETIKA DAN ALGORITMA SEMUT UNTUK PENYELESAIAN SHORTEST PATH PROBLEM
Seminar Nasional Sistem dan Informatia 2007; Bali, 16 November 2007 PERBANDINGAN PERFORMANSI ALGORITMA GENETIKA DAN ALGORITMA SEMUT UNTUK PENYELESAIAN SHORTEST PATH PROBLEM Fajar Saptono 1) I ing Mutahiroh
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 terperinciFREQUENT ITEMSET MINING MENGGUNAKAN ALGORITMA PIE
FREQUENT ITEMSET MINING MENGGUNAKAN ALGORITMA PIE Suhatati Tjandra Dosen Teknik Informatika Sekolah Tinggi Teknik Surabaya e-mail: tati@stts.edu ABSTRAK Frequent itemset mining adalah algoritma yang digunakan
Lebih terperinciKORELASI ANTARA DUA SINYAL SAMA BERBEDA JARAK PEREKAMAN DALAM SISTEM ADAPTIF. Sri Arttini Dwi Prasetyawati 1. Abstrak
KORELASI ANARA DUA SINYAL SAMA BERBEDA JARAK PEREKAMAN DALAM SISEM ADAPIF Sri Arttini Dwi Prasetyawati 1 Abstra Masud pembahasan tentang orelasi dua sinyal adalah orelasi dua sinyal yang sama aan tetapi
Lebih terperinciTINJAUAN PUSTAKA Data Mining
25 TINJAUAN PUSTAKA 2.1. Data Mining Definisi sederhana dari data mining adalah ekstraksi informasi atau pola yang penting atau menarik dari data yang ada di database. Secara lengkap, Data mining merupakan
Lebih terperinciJURNAL IMPLEMENTASI DATA MINING UNTUK MEMPREDIKSI HASIL PENJUALAN BARANG PADA TOKO SINAR BARU DENGAN MENGGUNAKAN ALGORITMA APRIORI
JURNAL IMPLEMENTASI DATA MINING UNTUK MEMPREDIKSI HASIL PENJUALAN BARANG PADA TOKO SINAR BARU DENGAN MENGGUNAKAN ALGORITMA APRIORI IMPLEMENTATION OF DATA MINING TO PREDICT RESULTS OF SALES GOODS IN THE
Lebih terperinciPENERAPAN DYNAMIC PROGRAMMING DALAM WORD WRAP Wafdan Musa Nursakti ( )
PENERAPAN DYNAMIC PROGRAMMING DALAM WORD WRAP Wafdan Musa Nursati (13507065) Program Studi Teni Informatia, Seolah Teni Eletro dan Informatia, Institut Tenologi Bandung Jalan Ganesha No. 10 Bandung, 40132
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN
BAB III ANALISIS DAN PERANCANGAN III.1 Analisis Permasalahan Keputusan selama ini yang dilakukan oleh Toko Buku Sembilan Wali Medan untuk menentukan buku apa saja yang paling potensial dijual berdasarkan
Lebih terperinciVI. PEMILIHAN MODA (Modal Split/Choice)
VI. PEMILIHAN MODA (Modal Split/Choice) 6.. UMUM Tujuan: Mengetahui proporsi pengaloasian perjalanan e berbagai moda transportasi. Ada dua emunginan situasi yang dihadapi dalam meramal pemilihan moda:
Lebih terperinciBAB 1 PENDAHULUAN. Universitas Sumatera Utara
BAB 1 PENDAHULUAN 1.1 Latar Belaang Keadaan dunia usaha yang selalu berubah membutuhan langah-langah untu mengendalian egiatan usaha di suatu perusahaan. Perencanaan adalah salah satu langah yang diperluan
Lebih terperinciKENDALI OPTIMAL PADA MASALAH INVENTORI YANG MENGALAMI PENINGKATAN
KENDALI OPTIMAL PADA MASALAH INVENTORI YANG MENGALAMI PENINGKATAN Pardi Affandi, Faisal, Yuni Yulida Abstra: Banya permasalahan yang melibatan teori sistem dan teori ontrol serta apliasinya. Beberapa referensi
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 terperinciMateri. Menggambar Garis. Menggambar Garis 9/26/2008. Menggambar garis Algoritma DDA Algoritma Bressenham
Materi IF37325P - Grafia Komputer Geometri Primitive Menggambar garis Irfan Malii Jurusan Teni Informatia FTIK - UNIKOM IF27325P Grafia Komputer 2008 IF27325P Grafia Komputer 2008 Halaman 2 Garis adalah
Lebih terperinciSTUDI KOMPARASI IMPLEMENTASI JARINGAN BASIS RADIAL DAN FUZZY INFERENCE SYSTEM TSK UNTUK PENYELESAIAN CURVE FITTING
STUDI KOPARASI IPEENTASI JARINGAN BASIS RADIA DAN FUZZY INFERENCE SYSTE TSK UNTUK PENYEESAIAN CURVE FITTING Sri Kusumadewi Teni Informatia Universitas Islam Indonesia Jl. Kaliurang Km 4,5 Yogyaarta cicie@fti.uii.ac.id
Lebih terperinciANALISIS 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 terperinciBAB III ANALISIS DAN DESAIN SISTEM
BAB III ANALISIS DAN DESAIN SISTEM III.1. Analisis Masalah Kebutuhan akan teori dalam dunia pendidikan sangat besar. Teori banyak di tulis ke dalam sebuah buku maupun jurnal. Pada universitas potensi utama,
Lebih terperinci