PENDAHULUAN. Latar Belakang
|
|
- Vera Johan
- 7 tahun lalu
- Tontonan:
Transkripsi
1 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 manusia dapat dilihat dari banyaknya kegiatan yang dilakukan secara komputerisasi sehingga menghasilkan data dalam jumlah yang besar. Dengan ketersediaan data yang semakin melimpah tersebut, penemuan pengetahuan yang berguna dari suatu database yang besar semakin populer dan menarik perhatian. Penemuan pengetahuan yang berguna tersebut dapat dilakukan menggunakan teknik data mining. Data mining merupakan proses ekstraksi informasi atau pola dalam database yang berukuran besar (Han & Kamber 2006). Salah satu teknik data mining adalah sequential pattern mining yang berguna untuk menemukan pola sekuensial yang terdapat pada database yang pertama kali diperkenalkan oleh Agrawal dan Srikant pada tahun Pada database, salah satu data yang sering dijumpai adalah data transaksi. Data transaksi merupakan data konsumen atau pelanggan pada sebuah lembaga komersil maupun non-komersil yang berisi id konsumen, waktu transaksi, dan item transaksi. Dari data transaksi seperti halnya transaksi supermarket, dapat ditemukan pola sekuensial untuk mengetahui keterkaitan antarbarang atau item. Salah satu algoritme yang dapat digunakan untuk mengetahui pola sekuensial dari suatu data transaksi yaitu Sequential PAttern Discovery using Equivalence classes (SPADE). Algoritme SPADE merupakan algoritme berbasis candidate generation and test dan merupakan penyempurnaan dari algoritme penentuan pola sekuensial terdahulu yakni Apriori. Pada perkembangannya, algoritme SPADE masih jarang diimplementasikan sehingga diperlukan kajian yang lebih dalam dengan harapan bahwa apabila implementasi algoritme SPADE berhasil, maka penerapan algoritme berbasis patterrn growth akan semakin menarik untuk dilakukan. Dengan mengadopsi fungsi-fungsi pada algoritme SPADE, akan dilihat kecenderungan pembelian barang oleh customer dalam kurun waktu tertentu. Sebagai contoh, customer biasa membeli kebutuhan pokok di awal bulan karena sebagian besar mendapatkan gaji pada periode tersebut. Kejadian seperti ini sebenarnya terekam dalam database, hanya saja belum tergali informasi tentang itu. Dengan mencari pola-pola dari database menggunakan algoritme SPADE, akan terlihat keterkaitan jenis barang yang dibeli oleh pembeli pada waktu tertentu (Zaki 2001). Hal ini dapat dimanfaatkan oleh pemilik supermarket dalam pengambilan keputusan terkait dengan penjualan barang. Tujuan Penelitian Penelitian ini bertujuan untuk mengimplementasikan algoritme SPADE untuk melihat keterkaitan antara beberapa item dari suatu data transaksi pembelian. Ruang Lingkup Penelitian Ruang lingkup penelitian ini dibatasi pada penerapan algoritme SPADE dengan menggunakan data transaksi pembelian Sinar Mart Swalayan selama periode 1 bulan terhitung sejak 1 Maret hingga 31 Maret Data transaksi pembelian tersebut berisi id pembeli, waktu pembelian berdasarkan tanggal, dan juga jenis barang atau item yang dibeli. Analisis dilakukan terhadap kelompok data tersebut sehingga menghasilkan informasi mengenai pola pembelian barang atau item yang digambarkan dalam bentuk frequent sequences dan juga association rule. Manfaat Penelitian Hasil penelitian ini diharapkan mampu melihat keterkaitan antarbarang yang dibeli oleh pembeli pada data transaksi pembelian. Keterkaitan antara barang atau item tersebut dapat digunakan sebagai bahan pertimbangan dalam pengambilan keputusan yang berhubungan dengan penjualan barang atau item pada periode berikutnya. Selain itu, penelitian ini juga diharapkan dapat menjadi dasar penelitian selanjutnya yang terkait dengan penentuan pola sekuensial sehingga didapatkan algoritme yang memiliki kinerja yang lebih efektif dan efisien. TINJAUAN PUSTAKA Knowledge Discovery from Data (KDD) Knowledge Discovery from Data (KDD) adalah suatu proses mengekstrak ilmu pengetahuan atau informasi yang berasal dari kumpulan data dalam jumlah besar (Han & Kamber 2006). Data mining adalah proses penemuan pengetahuan yang menarik dari kumpulan data yang tersimpan pada database, data warehouse, dan media penyimpanan informasi lainnya. Tahapan-tahapan proses KDD dapat diilustrasikan pada Gambar 1. 1
2 Data Mining Knowledge Gambar 1 Tahapan proses KDD (Han & Kamber 2006). Deskripsi mengenai tahapan-tahapan proses KDD pada gambar di atas adalah sebagai berikut : 1 Pembersihan data (Data cleaning) Pembersihan data dilakukan untuk menghilangkan noise dan data yang tidak konsisten. 2 Integrasi data (Data integration) Integrasi data dilakukan untuk menggabungkan data yang berasal dari berbagai sumber. 3 Seleksi data (Data selection) Proses seleksi data merupakan proses pengambilan data yang relevan dengan proses analisis yang dilakukan. 4 Transformasi data (Data transformation) Data ditransformasikan atau digabungkan ke dalam bentuk yang sesuai untuk dilakukan proses mining dengan cara melakukan peringkasan atau operasi agregasi. 5 Data mining Data mining merupakan proses yang penting dan merupakan tahapan ketika metodemetode cerdas diaplikasikan untuk mengekstrak pola-pola dari kumpulan data. 6 Evaluasi pola (Pattern evaluation) Merupakan suatu proses untuk mengidentifikasi pola-pola tertentu pada data yang menarik dan merepresentasikan pengetahuan. 7 Representasi pengetahuan (Knowledge Representation) Penggunaan visualisasi dan teknik representasi untuk menunjukkan penemuan pengetahuan hasil proses mining kepada pengguna. Association Rule Mining Aturan asosiasi (association rule) atau analisis afinitas (affinity analysis) berkenaan dengan studi apa bersama apa. Pada dasarnya aturan ini digunakan untuk menggambarkan keterkaitan antara item pada sekumpulan data (Santoso 2007). Secara umum, aturan asosiasi dapat dipandang sebagai proses yang terdiri atas dua tahap (Han & Kamber 2006), yaitu : 1 Menemukan kumpulan frequent item. Sebuah itemset dikatakan frequent item jika memiliki frekuensi kemunculan minimal sama dengan nilai minimum support. 2 Membangkitkan aturan asosiasi dari itemset yang dikatakan frequent item. Aturan ini harus memenuhi nilai minimum support. Support Misalkan α merupakan sebuah sequence dan D sebuah sequence database. Support atau frequency yang dinotasikan sebagai σ(α, D) merupakan jumlah total dari sequence di dalam database D yang berisi α sebagai sebuah subsequence (Zaki 2001). Confidence Confidence untuk suatu aturan asosiasi X Y, adalah ukuran keakuratan dari aturan tersebut yang dihitung dari persentase transaksi dalam database yang mengandung X dan juga mengandung Y. Definisi formal dari confidence adalah sebagai berikut: Pola Sekuensial Confidence = P(X Y) P(X) Pola sekuensial adalah daftar urutan dari sekumpulan item. Sebuah pola sekuensial dikatakan maksimum apabila tidak mengandung pola sekuensial lainnya (Zaki 2001). Sebuah pola sekuensial dengan k-item disebut k- sequence. Sebagai contoh, (A BC) merupakan sebuah sequence dengan 3-sequence. Panjang sebuah pola sekuensial adalah jumlah item yang terdapat pada pola sekuensial tersebut yang dilambangkan dengan s. Sebuah subsequence s dari s dilambangkan dengan s s. Misalkan, sebuah pola sekuensial a = (a 1,a 2,...a n ) merupakan subsequence dari b = (b 1,b 2,...b m ) dengan integer i 1 < i 2 <...i n, 1 i k m, sehingga a 1 b 1, a 2 b 2,..., a n b m. Sebagai contoh, (A BC) merupakan subsequence dari (A DE BC) atau 2
3 (D AB BC) tetapi bukan subsequence dari (ABC) atau (BC A). Misalkan α merupakan sebuah sequence dan D merupakan sebuah database. Apabila diberikan sebuah user-specified threshold σ yang disebut dengan minimum support, maka sebuah sequence dikatakan frequent jika σ (α, D) minimum support. Misalkan D merupakan sebuah database dan Ƒ merupakan kumpulan dari semua frequent sequences dalam database D. Sebuah frequent sequence α Ƒ disebut maximal frequent sequence jika untuk masing-masing β Ƒ, α β, dan α bukan merupakan β. Pendekatan Hyper-lattice Hyper-lattice merupakan pendekatan dasar yang digunakan untuk menguraikan mining frequent sequences menjadi submasalah yang lebih kecil (Zaki 2001). Setiap kumpulan dari semua sequences disebut struktur hyper-lattice. Dalam struktur ini, sequences menjadi berlapis yang berarti bahwa setiap sequences dibentuk dengan menambah sebuah item baru ke sequences dari layer sebelumnya. Adapun dasar dari teori hyper-lattice sebagai berikut (Davey & Priestley 1990): 1. Join Misalkan P himpunan terurut dari S P. Sebuah elemen X P adalah sebuah upper bound dari S jika untuk semua s S, s X. Minimum upper bound dari S disebut join yang dinotasikan dengan S. 2. Meet Misalkan P himpunan terurut dari S P. Sebuah elemen X P adalah sebuah lower bound dari S jika untuk semua s S, s X. Maximum lower bound dari S disebut meet yang dinotasikan dengan S. 3. Lattice Misalkan L merupakan himpunan terurut. L disebut sebuah join (meet) semilattice jika dan hanya jika x y (x y) ada untuk setiap x, y L. L disebut sebuah lattice jika terdapat sebuah join dan meet semilattice. Sebuah himpunan terurut M L adalah sebuah sublattice dari L jika x, y M mengimplikasikan x y M x y M. Setiap lattice harus memiliki minimal satu minimum upper bound dan maximum lower bound, sementara semilattice hanya harus memiliki minimum upper bound atau maximum lower bound. Masing-masing himpunan terurut memiliki elemen terbesar yang disebut top element yang dinotasikan dengan dan juga elemen terkecil yang disebut bottom element yang dinotasikan dengan. Atom Sebuah lattice dimisalkan dengan L, dengan x, y, z L. x dikatakan dicakup oleh y jika x < y x z < y, menyiratkan bahwa z = y. dimisalkan sebagai bottom element dari lattice L, x L disebut sebuah atom apabila dicakup oleh x. Equivalence Class Equivalence Class merupakan sebuah kumpulan dari sequences yang membagi prefix yang sama dengan panjang k. Setiap equivalence class dibentuk dari relasi equvalence k yang merupakan sebuah subhyper-lattice. Contoh Struktur hyper-lattice yang dibentuk berdasakan equivalence class dapat dilihat pada Lampiran 1. Prefix Misalkan s = (s 1 s 2 s n ) dan b = (b 1 b 2 b m ) merupakan dua buah sequences. Sequence b disebut prefix dari s jika dan hanya jika b i = s i untuk (i m - 1) dan b m s m. Sebagai contoh, sequences (A B) dan (A BC A) merupakan prefix dari sequence (A BC ABC C). SPADE Algorithm Algoritme SPADE merupakan algoritme untuk mencari pola sekensial yang menggunakan equivalence class untuk menguraikan masalah utama menjadi submasalah yang dapat diselesaikan secara terpisah menggunakan operasi join (Zaki 2001). Algoritme ini menggunakan representasi dari database vertikal di mana masing-masing baris berisi customer id (sid), waktu transaksi (eid), dan koleksi dari item transaksi seperti yang ditunjukkan pada Tabel 1. Tabel 1 Sampel database vertikal sid eid (date) items 1 10 C D 1 15 A B C 1 20 A B F 1 25 A C D F 2 15 A B F 2 20 E 3 10 A B F 4 10 D G H 4 20 B F 4 25 A G H 3
4 Pasangan (sid, eid) dari suatu item transaksi x disebut dengan id-list yang dinotasikan dengan L(x) = {(sid, eid)}. Contoh id-list dari item A yang terdapat pada Tabel 1 dapat dilihat pada Gambar 2. A SID EID Gambar 2 Id-list item A. Fungsi utama dalam algoritme SPADE adalah memindai database D dan menemukan frequent 1-sequences yang mengacu pada atom dari sequence hyper-lattice. Sekumpulan atomatom akan dibangkitkan dari frequent 1- sequences dengan assign sebuah id-list ke semua frequent 1- sequences. Kumpulan dari atom-atom ini merepresentasikan parent class untuk hyper-lattice yang diinduksi oleh [{}] 1. Ringkasan algaoritme SPADE adalah sebagai berikut : SPADE(min_sup, D, Ƒ): Ƒ 1 {Frequent 1-sequences} ɛ {parent classes [{}] Ɵ1 } Enumerate-Frequent-Sequences Ƒ Ƒ Ƒ 1 Fungsi Enumerate-Frequent-Sequences merupakan fungsi untuk membentuk semua frequent sequences. Tahapan Enumerate- Frequent-Sequences diawali dengan memproses masing-masing atom A i dengan A j yang lain. Proses ini merupakan sebuah temporal join dari atom-atom di mana atom α yang baru diperoleh merepresentasikan sequence. Setelah proses join, akan dilakukan pengecekan frequency dari hasil id-list atom-atom untuk menentukan apakah sequence yang terbentuk frequent atau tidak. Jika sequence tersebut frequent, maka atom α ditambahkan ke dalam kumpulan atom-atom T i yang merepresentasikan parent class untuk hyper-lattice berikutnya yang diinduksi oleh [A i ] 1. Setelah A i selesai, fungsi secara rekursif dipanggil dengan T i sebagai parameter. Sebagai ilustrasi, data yang terdapat pada Tabel 1 akan menghasilkan sekumpulan frequent atoms J = {A, B, D, F}. Semua frequent atoms yang dihasilkan akan mengalami proses temporal join untuk membentuk semua frequent 2-sequences hingga frequent k- sequences yang bisa terbentuk. Proses temporal join dimulai dari atom A sebagai parent class pertama. Atom A akan dilakukan proses join dengan sisa frequent atoms J yang lain, yaitu B, D, dan F. Proses temporal join atom A dengan atom yang lain akan menghasilkan kumpulan atom yang merepresentasikan frequent sequences K = {AB, AF}. Algoritme kemudian pindah ke kumpulan atom K dan mengambil atom (AB) untuk dilakukan temporal join dengan sisa dari kumpulan atom K yang lain yakni (AF). Proses temporal join (AB) dengan sisa kumpulan atom K yang lain hanya akan menghasilkan sebuah atom yang merepresentasikan sequence yaitu L = {(ABF)}. Algoritme kemudian berpindah secara rekursif ke kumpulan atom L dan setelah diketahui bahwa tidak ada lagi frequent sequence yang lain yang bisa dibangkitkan dari kumpulan L, maka algoritme akan tracks back ke kumpulan atom K sebelumnya dan mengambil atom selanjutnya yakni (AF). Atom (AF) ini akan di-join dengan sisa dari kumpulan atom K yang lain, dan berhubung tidak ada sisa dari kumpulan atom K yang lain, maka tidak ada frequent sequence lain yang bisa dibangkitkan sehingga algoritme tracks back ke kumpulan atom J sebelumnya dan mengambil atom selanjutnya yakni B. Atom B ini akan dijoin dengan sisa dari kumpulan atom J yang lain yakni A, D dan F dan akan menghasilkan kumpulan atom yang merepresentasikan frequent sequence K 2 = {(BF),(B A)}. Algoritme kemudian pindah ke kumpulan atom K 2 dan mengambil atom (BF) untuk dilakukan temporal join dengan sisa kumpulan atom K 2 yang lain yakni (B A). Proses temporal join (BF) dengan sisa kumpulan atom K 2 yang lain hanya akan menghasilkan sebuah atom yang merepresentasikan sequence yaitu L 2 = {(BF A)}. Algoritme kemudian berpindah secara rekursif ke kumpulan atom L 2 dan setelah diketahui bahwa tidak ada lagi frequent sequence yang lain yang bisa dibangkitkan dari kumpulan L 2, maka algoritme akan tracks back ke kumpulan atom K 2 sebelumnya dan mengambil atom selanjutnya yakni (B A). Atom (B A) ini akan dilakukan proses join dengan sisa dari kumpulan atom K yang lain, dan berhubung tidak ada sisa dari kumpulan atom K 2 yang lain, maka tidak ada frequent sequence lain yang bisa dibangkitkan sehingga algoritme tracks back ke kumpulan atom J sebelumnya. Proses ini akan berlangsung terusmenerus dengan pola yang sama hingga semua kumpulan atom selesai diproses. Fungsi 4
5 Enumerate-Frequent-Sequences adalah sebagai berikut: Enumerate-Frequent-Sequences (Atomset, min_supp, Set Ƒ): for all atoms A i ϵ ɛ do T i {} for all atoms A j ϵ ɛ, j i do α = A i A j L(α) = L(A i ) L(A j ) if σ(α) min_supp then T i T i {α} Ƒ = Ƒ α end if end for Enumerate-Frequent-Sequences (T i,min_supp, Ƒ) end for Rule Generation Rule Generation merupakan tahap pembentukan rule dari semua maximal frequent sequences yang terbentuk. Semua sequences yang merupakan subsequence dari sebuah maximal frequent sequences yang terbentuk akan dilakukan pembentukan rule dengan maximal frequence sequence itu sendiri. Dari semua kandidat rule yang ada akan dilakukan pengecekan apakah kandidat rule yang terbentuk tersebut memiliki confidence yang lebih besar atau sama dengan minimum confidence yang diberikan. Apabila kandidat rule tersebut memiliiki nilai confidence lebih besar atau sama dengan minimum confidence yang diberikan maka kandidat rule tersebut merupakan output rule yang diinginkan algoritme. Sebagai ilustrasi, data yang terdapat pada Tabel 1 akan menghasilkan 2 maximal frequent sequences yaitu (ABF) dan (D BF A). Semua subsequences dari masing-masing maximal frequent sequences tersebut akan dicari untuk selanjutnya dilakukan pembentukan rule. Sequence (ABF) memiliki enam subsequences, yaitu (A), (B), (F), (AB), (AF), dan (BF). Dari keseluruhan subsequences tersebut, akan terbentuk sebanyak enam kemungkinan rule yaitu, (A) (ABF), (B) (ABF), (F) (ABF), (AB) (ABF), (AF) (ABF), dan (BF) (ABF). Penghitungan confidence setiap kemungkinan rule dilakukan dengan membagi support dari maximal frequence sequences dengan support dari subsequences. Sebagai contoh, penghitungan confidence untuk rule (A) (ABF) dilakukan dengan membagi support (ABF) dengan support (A). Apabila nilai confidence dari kemungkinan rule lebih besar atau sama dengan minimum confidence yang diberikan maka rule tersebut merupakan rule yang sesuai dengan output algoritme Rule Generation. Algoritme Rule Generation adalah sebagai berikut : RuleGen( Ƒ, min_conf): for all maximal frequent sequence β ϵ Ƒ do for all subsequence atoms α β do conf = fr (β) / fr (α) if (conf min_conf)then output the rule α β Temporal join of id-lists Temporal join adalah operasi dasar yang digunakan ketika proses enumerating-fequentsequences (Zaki 2001). Misalkan [A B] merupakan sebuah equivalence class dengan atom {(A BC), (A BD), (A B A), (A B C)}. Misalkan P mewakili prefix (A B) sehingga [P] dapat ditulis ulang sebagai {(PC), (PD), (P A), (P C)}. Penulisan ulang tersebut akan menghasilkan dua jenis atom, yaitu : Event atoms {PC, PD} Sequence atoms {(P A), (P C)} Operasi join dari atom di atas akan menghasilkan minimal tiga kemungkinan, antara lain sebagai berikut : 1. Event Atom dengan Event Atom Jika operasi join antara PC dengan PD dilakukan, maka hanya akan menghasilkan event atom yang baru yaitu PCD. 2. Event Atom dengan Sequence Atom Jika operasi join dilakukan antara (PC) dengan (P A), maka hanya akan menghasilkan sequences atom yang baru yaitu (PC A). 3. Sequence Atom dengan Sequence Atom Jika operasi join dilakukan antara (P A) dengan (P C), maka akan menghasilkan tiga kemungkinan keluaran: sebuah event atom (P AC), dua sequences atoms (P A C) dan (P C A). Kasus khusus akan timbul apabila operasi join dilakukan antara (P A) dengan dirinya sendiri yang akan menghasilkan sequences atom yang baru yaitu (P A A). Penghitungan support dari sequences hasil temporal join dilakukan untuk mengetahui 5
6 apakah sequences tersebut frequent atau tidak. Perhitungan support ini didasarkan pada jumlah sid yang berbeda yang terdapat pada id-list dari sequences yang terbentuk dari hasil temporal join tersebut. Sebagai contoh, dari data hypothetical id-list atom sequence (P A) dan (P C) yang terdapat pada Lampiran 2 dilakukan temporal join id-list untuk semua sequences yang mungkin terbentuk yakni (P AC), (P A C), dan (P C A). Penghitungan support dari id-list sequence (P AC) dilakukan dengan memeriksa pasangan (sid,eid) yang sama antara (P A) dan (P C). Pasangan (sid,eid) yang memenuhi syarat dari data tersebut hanya ((8,30), (8,50), (8,80)) sehingga diperoleh id-list sequence (P AC) adalah L(P AC) = {(8,30), (8,50), (8,80)}. Penghitungan support dari id-list sequence (P A C) dilakukan dengan memisalkan (sid, eid 1 ) pada L(P A) dan kemudian memeriksa apakah terdapat pasangan (sid, eid 2 ) pada L(P C) dengan sid yang sama tetapi eid2 > eid1, dan apabila terdapat pasangan yang memenuhi kriteria tersebut, ini berarti bahwa item C mengikuti item A untuk sequence yang diidentifikasi berdasarkan sid. Sequence (P C A) dikonstruksi dengan cara yang sama dengan membalik peran P A dan P C. METODE PENELITIAN Proses Dasar Sistem Proses dasar sistem mengacu pada proses dalam Knowledge Discovery from Data (KDD). Algoritme SPADE diterapkan pada tahap data mining. Diagram alur metode penelitian dapat dilihat pada Gambar 3. Tahapan KDD tersebut dapat diuraikan sebagai berikut : 1 Pembersihan data Pembersihan data merupakan tahap yang dilakukan untuk menghilangkan noise dan data yang tidak konsisten. Pada tahap ini, transaksi yang terjadi pada waktu yang sama yang tercatat lebih dari satu kali akan dianggap sebagai satu transaksi. Selain itu, data yang tidak lengkap akan dibuang. 2 Seleksi data Proses seleksi data merupakan proses pengambilan data yang relevan dengan proses analisis yang dilakukan. Pada tahap ini, akan dipilih atribut yang sesuai dengan kebutuhan algoritme, yaitu sid, eid, dan items. 3 Transformasi data Data diubah ke dalam bentuk yang sesuai sebagai masukan bagi algoritme SPADE. Data diubah ke dalam bentuk numerik dan diurutkan secara menaik berdasarkan id customer (sid) dan waktu transaksi (eid). 4 Data mining Tahap ini merupakan inti dari analisis data. Pada tahap ini diterapkan penggunaan algoritme SPADE yang diperkenalkan oleh Mohammed J. Zaki (2001). Tahapan-tahapan yang akan digunakan pada metode tersebut, yaitu: a Pemberian nilai minimum support Pemberian nilai minimum support terhadap data merupakan syarat awal berjalannya algoritme. Nilai minimum support digunakan untuk menyaring nilai support bagi masingmasing frequent sequences setelah dilakukan proses komputasi menggunakan algoritme SPADE. Nilai support yang lebih kecil dari nilai minimum support yang diberikan tidak akan diperhitungkan. b Penentuan frequent 1-sequences Penentuan frequent 1-sequences merupakan langkah pertama dalam tahapan algoritme SPADE. Pembentukan frequent 1-sequences ditentukan berdasarkan nilai minimum support σ yang diberikan terhadap data. Semua item yang memiliki support lebih besar atau sama dengan nilai minimum support merupakan frequent items yang disebut juga frequent 1-sequences. Perhitungan support dari item didasarkan pada jumlah sid yang berbeda yang terdapat pada pasangan (sid, eid) atau yang disebut juga sebagai id-list dari item tersebut. c Pembentukan frequent sequences Pembentukan frequent sequences merupakan tahap akhir dari algoritme SPADE. Pada tahap ini, semua frequent sequences mulai dari frequent 2-sequences hingga frequent k-sequences dibangkitkan dengan menggunakan fungsi Enumerate-Frequent-Sequences. 5 Evaluasi Pola Pada tahap ini akan dievaluasi pola sekuensial mana yang dikatakan frequent sequence dan mewakili pola pembelian items. Evaluasi dilakukan dengan mencari maximal frequent sequences dari seluruh frequent sequences yang ada. 6
PENENTUAN POLA SEKUENSIAL DATA TRANSAKSI PEMBELIAN MENGGUNAKAN ALGORITME SPADE RIFERSON SIJABAT
PENENTUAN POLA SEKUENSIAL DATA TRANSAKSI PEMBELIAN MENGGUNAKAN ALGORITME SPADE RIFERSON SIJABAT DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2011
Lebih terperinciData Mining. Tidak. Mulai. Data transaksi. Pembersihan data. Seleksi data. Transformasi data. Pemberian nilai minimum support
6 Representasi Pengetahuan Tahap ini merupakan tahap akhir dari proses KDD. Sederetan aturan atau rule disajikan kepada pengguna dengan menggunakan algoritme Rule Generation. Mulai Data transaksi Pembersihan
Lebih terperinciPENDAHULUAN 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 terperinci2.2 Data Mining. Universitas Sumatera Utara
Basis data adalah kumpulan terintegrasi dari occurences file/table yang merupakan representasi data dari suatu model enterprise. Sistem basisdata sebenarnya tidak lain adalah sistem penyimpanan-record
Lebih terperinciBAB 2 TINJAUAN PUSTAKA DAN DASAR TEORI. yang akan diteliti. Pemanfaatan algoritma apriori sudah cukup banyak digunakan, antara lain
BAB 2 TINJAUAN PUSTAKA DAN DASAR TEORI 2.1 Tinjauan Pustaka Penelitian ini menggunakan beberapa sumber pustaka yang berhubungan dengan kasus yang akan diteliti. Pemanfaatan algoritma apriori sudah cukup
Lebih 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 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 terperinciPENGEMBANGAN APLIKASI FUZZY TEMPORAL ASSOCIATION RULE MINING (STUDI KASUS : DATA TRANSAKSI PASAR SWALAYAN ) HANDAYANI RETNO SUMINAR
PENGEMBANGAN APLIKASI FUZZY TEMPORAL ASSOCIATION RULE MINING (STUDI KASUS : DATA TRANSAKSI PASAR SWALAYAN ) HANDAYANI RETNO SUMINAR DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
Lebih terperinciBAB IV METEDOLOGI PENELITIAN
BAB IV METEDOLOGI PENELITIAN 4.1. Desain Penelitian Desain penelitian yang digunakan adalah pendekatan cross sectional. Penelitian cross sectional dicirikan dengan satu pengukuran atau observasi untuk
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 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 terperinciDATA MINING ANALISA POLA PEMBELIAN PRODUK DENGAN MENGGUNAKAN METODE ALGORITMA APRIORI
DATA MINING ANALISA POLA PEMBELIAN PRODUK DENGAN MENGGUNAKAN METODE ALGORITMA APRIORI Heroe Santoso 1), I Putu Hariyadi 2), Prayitno 3) 1), 2),3) Teknik Informatika STMIK Bumigora Mataram Jl Ismail Marzuki
Lebih 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 terperinciASSOCIATION 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 terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA Pada tinjauan pustaka ini membahas tentang landasan teori yang medukung pembahasan yang berhubungan dengan sistem yang akan dibuat. 2.1 Data Mining Data mining adalah kegiatan menemukan
Lebih terperinciAssocation Rule. Data Mining
Assocation Rule Data Mining Association Rule Analisis asosiasi atau association rule mining adalah teknik data mining untuk menemukan aturan assosiatif antara suatu kombinasi item. Aturan yang menyatakan
Lebih 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. Aplikasi Data Mining Data mining adalah suatu istilah yang digunakan untuk menemukan pengetahuan yang tersembunyi di dalam database. Data mining merupakan proses semi otomatik
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 terperinciSEQUENTIAL 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 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 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 terperinciASSOCIATION RULES PADA TEXT MINING
Text dan Web Mining - FTI UKDW - BUDI SUSANTO 1 ASSOCIATION RULES PADA TEXT MINING Budi Susanto versi 1.2 Text dan Web Mining - FTI UKDW - BUDI SUSANTO 2 Tujuan Memahami algoritma Apriori dan FP-Growth
Lebih terperinciALGORITMA GENERALIZED SEQUENTIAL PATTERN UNTUK MENGGALI DATA SEKUENSIAL SIRKULASI BUKU PADA PERPUSTAKAAN UK PETRA
ALGORITMA GENERALIZED SEQUENTIAL PATTERN UNTUK MENGGALI DATA SEKUENSIAL SIRKULASI BUKU PADA PERPUSTAKAAN UK PETRA Gregorius Satia Budhi 1, Andreas Handojo, Christine Oktavina Wirawan 1,, Jurusan Teknik
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 terperinciAPLIKASI DATA MINING UNTUK MENAMPILKAN INFORMASI TINGKAT KELULUSAN MAHASISWA
APLIKASI DATA MINING UNTUK MENAMPILKAN INFORMASI TINGKAT KELULUSAN MAHASISWA Yuli Asriningtias, Rodhyah Mardhiyah Program Studi Teknik Informatika Fakultas Bisnis & Teknologi Informasi, Universitas Teknologi
Lebih terperinciANALISA DAN PERANCANGAN APLIKASI ALGORITMA APRIORI UNTUK KORELASI PENJUALAN PRODUK (STUDI KASUS : APOTIK DIORY FARMA)
ANALISA DAN PERANCANGAN APLIKASI ALGORITMA APRIORI UNTUK KORELASI PENJUALAN PRODUK (STUDI KASUS : APOTIK DIORY FARMA) Harvei Desmon Hutahaean 1, Bosker Sinaga 2, Anastasya Aritonang Rajagukguk 2 1 Program
Lebih terperinciBAB I PENDAHULUAN. 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 terperinciBAB I PENDAHULUAN Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Perkembangan dan persaingan dalam dunia bisnis perdagangan serta kemajuan teknologi informasi merupakan suatu hal yang saling terkait, dalam ketatnya persaingan pasar
Lebih terperinciALGORITMA GENERALIZED SEQUENTIAL PATTERN UNTUK MENGGALI DATA SEKUENSIAL SIRKULASI BUKU PADA PERPUSTAKAAN UK PETRA
ALGORITMA GENERALIZED SEQUENTIAL PATTERN UNTUK MENGGALI DATA SEKUENSIAL SIRKULASI BUKU PADA PERPUSTAKAAN UK PETRA Gregorius Satia Budhi 1, Andreas Handojo, Christine Oktavina Wirawan 1,, Jurusan Teknik
Lebih terperinciPENDAHULUAN TINJAUAN PUSTAKA
Latar Belakang PENDAHULUAN Begitu banyaknya fungsionalitas dalam penggalian data terkadang membuat kita harus memilih secara seksama. Pemilihan fungsionalitas yang tepat dalam melakukan suatu penggalian
Lebih terperinciTimor Setiyaningsih, Nur Syamsiah Teknik Informatika Universitas Darma Persada. Abstrak
DATA MINING MELIHAT POLA HUBUNGAN NILAI TES MASUK MAHASISWA TERHADAP DATA KELULUSAN MAHASISWA UNTUK MEMBANTU PERGURUAN TINGGI DALAM MENGAMBIL KEBIJAKAN DALAM RANGKA PENINGKATAN MUTU PERGURUAN TINGGI Timor
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 terperinciBAB II LANDASAN TEORI
6 BAB II LANDASAN TEORI Bab ini berisi penjelasan tentang definisi, teori dan konsep yang digunakan penulis untuk mamahami cara yang benar untuk mendapatkan pola sekuensial (sequential patterns) dengan
Lebih terperinciGambar Tahap-Tahap Penelitian
BAB III METODELOGI PENELITIAN Dalam menyelesaikan penelitian ini dibuat beberapa tahapan. Tahap-tahap kegiatan dijelaskan dalam Gambar 3.1 Studi Literatur Pengumpulan Data Retrieve Data Pre-Processing
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Data Mining Istilah data mining memiliki beberapa padanan, seperti knowledge discovery ataupun pattern recognition. Kedua istilah tersebut sebenarnya memiliki ketepatannnya masing-masing.
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN Pada bab ini akan dijelaskan tahap-tahap yang dilakukan dalam melakukan penelitian. Tahapan penelitian berguna agar pelaksanaan penelitian dapat berjalan dengan baik dan sistematis
Lebih terperinciJournal 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 terperinciANALISA PENCARIAN FREQUENT ITEMSETS MENGGUNAKAN ALGORITMA FP-MAX
ANALISA PENCARIAN FREQUENT ITEMSETS MENGGUNAKAN ALGORITMA FP-MAX Suhatati Tjandra Dosen Teknik Informatika Sekolah Tinggi Teknik Surabaya e-mail : tati@stts.edu ABSTRAK Association rule mining merupakan
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Data mining adalah proses mencari pola atau informasi menarik dalam data terpilih dengan menggunakan teknik atau metode tertentu (Sensuse dan Gunadi, 2012). Pola-pola
Lebih terperinciSEQUENTIAL PATTERN MINING PADA PENCARIAN POLA PERILAKU PENGGUNA INTERNET MENGGUNAKAN ALGORITMA SPADE
SEQUENTIAL PATTERN MINING PADA PENCARIAN POLA PERILAKU PENGGUNA INTERNET MENGGUNAKAN ALGORITMA SPADE Dika Rizky Yunianto, Candra Dewi, S.Kom.,M.Sc, Novanto Yudistira, S.Kom.,M.Sc Program Studi Teknik Informatika
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN
BAB III ANALISIS DAN PERANCANGAN III.1. Analisis Sistem Analisis sistem yang berjalan pada perusahaan PT. Perintis Perkasa dikelola dengan menggunakan software TDMS (Toyota Dealer Management System). TDMS
Lebih terperinciPENERAPAN 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 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 terperinciMining Association Rules dalam Basis Data yang Besar
Mining Association Rules dalam Basis Data yang Besar S1 Teknik Informatika Fakultas Teknologi Informasi Universitas Kristen Maranatha Agenda Pendahuluan Association Rule Mining Market Basket Analysis Konsep
Lebih 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 terperinciBAB I PENDAHULUAN 1.1 Latar Belakang Pelaku bisnis saat ini dituntut selalu inovatif untuk dapat bersaing dengan kompetitor. Bisnis retail seperti Apotek merupakan bisnis dengan persaingan yang sangat
Lebih terperinciBAB II LANDASAN TEORI. Anindita Dwi Respita,2015. a. Penelitian ini menjelaskan tentang tujuan : menggunakan metode market basket analysis.
BAB II LANDASAN TEORI 2.1 Tinjauan Pustaka 2.1.1 Penelitian Terkait 1) Penelitian terdahulu dengan judul Online Shop kecantikan dan kosmetik dengan pemberian saran pembelian produk menggunakan Market Basket
Lebih terperinciANALISIS DAN IMPLEMENTASI WEB USAGE MINING MENGGUNAKAN ALGORITMA SEQUENTIAL PATTERN DISCOVERY USING EQUIVALENCE CLASSES
ANALISIS DAN IMPLEMENTASI WEB USAGE MINING MENGGUNAKAN ALGORITMA SEQUENTIAL PATTERN DISCOVERY USING EQUIVALENCE CLASSES SPADE (Studi Kasus: Website igracias Universitas Telkom) 1) Asri Inna Khoirun Nissa,
Lebih terperinciPembangkitan Pola Data Cuaca Untuk Sistem Peringatan Dini Banjir
Pembangkitan Pola Data Cuaca Untuk Sistem Peringatan Dini Banjir Wiwin Suwarningsih Pusat Penelitian Informatika - LIPI wiwin@informatika.lipi.go.id Endang Suryawati Pusat Penelitian Informatika - LIPI
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Dasar Teori 2.1.1 Data Mining Data mining adalah suatu istilah yang digunakan untuk menguraikan penemuan pengetahuan di dalam database. Data mining adalah Proses yang menggunakan
Lebih terperinciPola Kompetensi Mahasiswa Program Studi Informatika Menggunakan FP-Growth
Pola Kompetensi Mahasiswa Program Studi Informatika Menggunakan FP-Growth Fitrah Rumaisa, S.T., M.Kom Prodi Teknik Informatika, Fakultas Teknik, Universitas Widyatama E-Mail: fitrah.rumaisa@widyatama.ac.id
Lebih terperinciPENINGKATAN PERFORMA ALGORITMA APRIORI UNTUK ATURAN ASOSIASI DATA MINING
PENINGKATAN PERFORMA ALGORITMA APRIORI UNTUK ATURAN ASOSIASI DATA MINING Andreas Chandra Teknik Informatika STMIK AMIKOM Yogyakarta Jl Ring road Utara, Condongcatur, Sleman, Yogyakarta 55281 Email : andreaschaandra@yahoo.com
Lebih terperinciBAB 2 LANDASAN TEORI
6 BAB 2 LANDASAN TEORI 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 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 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 terperinciJournal of Informatics and Telecommunication Engineering. Analisa Algoritma Data Mining Eclat Dan Hui Miner
JITE, Vol. 1(1) Juli (2017) p-issn : 2549-6247 e-issn : 2549-6255 Journal of Informatics and Telecommunication Engineering Available online http://ojs.uma.ac.id/index.php/jite Analisa Algoritma Data Mining
Lebih terperinciBAB I PENDAHULUAN. frekuensi tinggi antar himpunan itemset yang disebut fungsi Association
1 BAB I PENDAHULUAN 1.1 Latar Belakang Belakangan ini data mining telah diimplementasikan keberbagai bidang, diantaranya dalam bidang bisnis atau perdangangan, dan telekomunikasi. Data Mining diartikan
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 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 terperinciPENGGALIAN 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 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 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 terperinciSISTEM REKOMENDASI PEMESANAN SPAREPART DENGAN ALGORITMA FP-GROWTH (STUDI KASUS PT. ROSALIA SURAKARTA)
SISTEM REKOMENDASI PEMESANAN SPAREPART DENGAN ALGORITMA FP-GROWTH (STUDI KASUS PT. ROSALIA SURAKARTA) Nur Rohman Ardani 1), Nur Fitrina 2) 1) Magister Teknik Informatika STMIK AMIKOM Yogyakarta 2) Teknik
Lebih terperinciBAB II TINJAUAN STUDI DAN LANDASAN TEORI
BAB II TINJAUAN STUDI DAN LANDASAN TEORI 2.1 Tinjauan Studi Penelitian mengenai penerapan metode market basket analysis bukan merupakan hal asing, sebab telah banyak dilakukan oleh peneliti sebelumnya.
Lebih terperinciEDUCATIONAL DATA MINING (KONSEP DAN PENERAPAN)
EDUCATIONAL DATA MINING (KONSEP DAN PENERAPAN) Fitri Marisa Program Studi Teknik Informatika Universitas Widyagama Malang Jl. Borobudur No. 35 Malang (0341)492282 e-mail: fitrimarisa@widyagama.ac.id ABSTRACT
Lebih terperinciAssociation Rule Mining Data Peminjaman Perpustakaan Menggunakan Apriori dan Jaccard Similarity
Association Rule Mining Data Peminjaman Perpustakaan Menggunakan Apriori dan Jaccard Similarity Muhammad Hezby Al Haq Program Studi Informatika Universitas Sebelas Maret Jl. Ir. Sutami No. 36 A, Surakarta
Lebih terperinciMETODE 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 terperinciPENERAPAN 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 terperinciBAB 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 terperinciALGORITMA PARALEL FP-GROWTH UNTUK PENGGALIAN KAIDAH ASOSIASI PADA JARINGAN KOMPUTER
ALGORITMA PARALEL FP-GROWTH UNTUK PENGGALIAN KAIDAH ASOSIASI PADA JARINGAN KOMPUTER F.X. Arunanto, Syaiful Isman Jurusan Teknik Informatika, Fakultas Teknologi Informasi, Institut Teknologi Sepuluh Nopember
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Pengertian Data, Informasi dan Knowledge Data merupakan fakta yang dikumpulkan, disimpan, dan diproses boleh sebuah sistem informasi. Selain deskripsi dari sebuah fakta, data
Lebih terperinciPERSYARATAN PRODUK. 1.1 Pendahuluan Latar Belakang Tujuan
BAB 1 PERSYARATAN PRODUK Bab ini membahas mengenai hal umum dari produk yang dibuat, meliputi tujuan, ruang lingkup proyek, perspektif produk, fungsi produk dan hal umum yang lainnya. 1.1 Pendahuluan Hal
Lebih terperinciBAB 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 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 terperinciBAB III ANALISIS DAN DESAIN SISTEM
BAB III ANALISIS DAN DESAIN SISTEM III.. Analisis Masalah Pada zaman saat ini sepeda motor banyak digunakan di jalanan, banyak masyarakat menggunakan sepeda motor karena kepraktisan di dalam penggunaanya.
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Menurut World Health Organization (WHO), kesehatan adalah kondisi dinamis meliputi kesehatan jasmani, rohani, sosial, dan tidak hanya terbebas dari penyakit, cacat,
Lebih terperinciBAB III ANALISIS. Mekanisme Penyimpanan dan Pengambilan Sequence
BAB III ANALISIS Mula-mula, Bab ini akan mengemukakan analisis yang dilakukan terhadap algoritma PrefixSpan [PEI01]. Kemudian dilakukan rancangan dan implementasi algoritma tersebut. Setelah itu, program
Lebih terperinciPENGGALIAN TOP-K CLOSED FREQUENT ITEMSETS BERBASIS ALGORITMA PEMETAAN TRANSAKSI
Program Studi MMT-ITS, Surabaya 2 Agustus 28 PENGGALIAN TOP-K CLOSED FREQUENT ITEMSETS BERBASIS ALGORITMA PEMETAAN TRANSAKSI Ngurah Agus Sanjaya ER dan Arif Djunaidy Program Magister Bidang Keahlian Teknik
Lebih terperinciPENCARIAN 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 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 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 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 terperinciImplementasi 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 terperinciBAB II TINJAUAN PUSTAKA 2.1 DASAR TEORI Business Analytic
digilib.uns.ac.id BAB II TINJAUAN PUSTAKA 2.1 DASAR TEORI 2.1.1 Business Analytic 2.1.1.1 Pengertian Business Analytic (BA) Business Analytic adalah aplikasi dan teknik untuk mengumpulkan, menyimpan, menganalisis
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Perusahaan ritel yang menyediakan berbagai kebutuhan berkembang pesat bukan hanya di kota besar saja tetapi juga di kota-kota kecil. Untuk memperoleh keuntungan yang
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1. Data Mining (DM) Data mining adalah proses menambang (mining) pengetahuan dari sekumpulan data yang sangat besar (Han & Kamber 2006). Menurut Connolly dan Begg, 2005. Data mining
Lebih terperinciPENGENALAN POLA TRANSAKSI SIRKULASI BUKU PADA DATABASE PERPUSTAKAAN MENGGUNAKAN ALGORITMA GENERALIZED SEQUENTIAL PATTERN
PENGENALAN POLA TRANSAKSI SIRKULASI BUKU PADA DATABASE PERPUSTAKAAN MENGGUNAKAN ALGORITMA GENERALIZED SEQUENTIAL PATTERN Supardi 1, Dian Eka Ratnawati, Wayan Firdaus Mahmudy Universitas Brawijaya Malang
Lebih terperinciANALISIS ASSOCIATION RULES ALGORITMA APRIORI PENJUALAN KAOS TRAVELLING
ANALISIS ASSOCIATION RULES ALGORITMA APRIORI PENJUALAN KAOS TRAVELLING Kanthi Wulandari Mahasiswa Program Studi Statistika Universitas Islam Indonesia kanthiwuland@gmail.com Asriyanti Ali Mahasiswa Program
Lebih terperinciAnalisis Aturan Asosiasi Data Transaksi Supermarket Menggunakan Algoritma Apriori
Analisis Aturan Asosiasi Data Transaksi Supermarket Menggunakan Algoritma Apriori Ginanjar Abdurrahman 1) 1) Jurusan Teknik Informatika, Fakultas Teknik, Universitas Muhammadiyah Jember Jl. Karimata No.
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 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 terperinciSISTEM REKOMENDASI PAKET MAKANAN DENGAN ALGORITMA FP-GROWTH PADA RESTORAN SEAFOOD XYZ
SISTEM REKOMENDASI PAKET MAKANAN DENGAN ALGORITMA FP-GROWTH PADA RESTORAN SEAFOOD XYZ Pahridila Lintang 1),Muhammad Iqbal 2), Ade Pujianto 3) 1), 2, 3) Teknik Informatika STMIK AMIKOM Yogyakarta Jl Ring
Lebih terperinciAnalisa 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 terperinciSKRIPSI 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 terperinciBAB 3 ANALISIS HIPOTESIS
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
Lebih terperinciANALISA DATA PENJUALAN OBAT DENGAN MENGGUNAKAN ALGORITMA APRIORI PADA RUMAH SAKIT UMUM DAERAH H. ABDUL MANAN SIMATUPANG KISARAN
ANALISA DATA PENJUALAN OBAT DENGAN MENGGUNAKAN ALGORITMA APRIORI PADA RUMAH SAKIT UMUM DAERAH H. ABDUL MANAN SIMATUPANG KISARAN Chintia Oktavia Simbolon (0911456) Mahasiswa Program Studi Teknik Informatika,
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Perpustakaan merupakan tempat dimana seseorang mendapatkan pengetahuan, informasi atau hiburan dengan jumlah kategori yang bervarian seperti ilmiah, non fiksi, komedi,
Lebih terperinciBAB II TINJAUAN PUSTAKA. Bab ini menguraikan tentang teori-teori penunjang yang dipakai dalam
12 BAB II TINJAUAN PUSTAKA Bab ini menguraikan tentang teori-teori penunjang yang dipakai dalam melakukan penelitian data mining dengan metode asosiasi menggunakan algoritma apriori yang terdiri dari state
Lebih 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 terperinci