ANALISA KONSISTENSI POLA PEMINJAMAN BUKU MENGGUNAKAN ALGORITMA FP-GROWTH (Studi Kasus: UPT Perpustakaan Universitas Sebelas Maret)

Save this PDF as:
 WORD  PNG  TXT  JPG

Ukuran: px
Mulai penontonan dengan halaman:

Download "ANALISA KONSISTENSI POLA PEMINJAMAN BUKU MENGGUNAKAN ALGORITMA FP-GROWTH (Studi Kasus: UPT Perpustakaan Universitas Sebelas Maret)"

Transkripsi

1 ANALISA KONSISTENSI POLA PEMINJAMAN BUKU MENGGUNAKAN ALGORITMA FP-GROWTH (Studi Kasus: UPT Perpustakaan Universitas Sebelas Maret) Miranda Nur Qolbi Aprilina 1, Wiranto 2,Widodo 3 1,2 Program Studi Informatika, FMIPA, Universitas Sebelas Maret 3 UPT Perpustakaan Universitas Sebelas Maret ABSTRAK Perpustakaan sebagai institusi pengelola koleksi karya yang bertujuan untuk memberikan pelayanan kepada pemustaka senantiasa berusaha meningkatkan kualitas pelayanannya, termasuk UPT Perpustakaan Universitas Sebelas Maret (UNS). UPT Perpustakaan UNS merupakan perpustakaan perguruan tinggi yang bertugas memberikan layanan kepada civitas akademika UNS. Dalam usaha meningkatkan kualitas pelayanannya, UPT ini mengalami kendala, pertama, sulit mengetahui kecenderungan minat buku civitas akademika UNS, sehingga pengelola kesulitan mengembangkan perpustakaan sesuai dengan kebutuhan civitas akademika. Kedua, sulit mengetahui apakah koleksi yang telah dimiliki saat ini sudah relevan dengan kebutuhan civitas akademika. Setiap hari, UPT Perpustakaan dapat melayani hingga 50 transaksi peminjaman, jika diakumulasikan dalam satu tahun UPT ini memiliki ribuan data transaksi yang hanya tersimpan dalam database aplikasi UNS Library Automation (UNSLA). Data transaksi tersebut masih dapat diolah menjadi informasi yang bermanfaat, termasuk menyelesaikan permasalahan yang dialami oleh UPT Perpustakaan. Database transaksi peminjaman tersebut diolah dengan menggunakan pendekatan data mining. Teknik data mining yang digunakan adalah Assocation Rule (support, confidence, lift ratio). Algoritma Association Rule yang digunakan adalah Frequent Pattern Growth (FP-Growth). Data transaksi diolah berdasarkan bulan, semester, dan tahun. Dari hasil penelitian diperoleh hasil bahwa pertama, rule yang dihasilkan tiap bulan tidak selalu sama. Kedua, rule hasil berdasarkan semester/tahun sebagian besar merupakan akumulasi dari rule yang dihasilkan perbulan. Kata Kunci: Data mining, Association Rule, FP-Growth, Lift Ratio, Perpustakaan 1. PENDAHULUAN Perpustakaan merupakan institusi pengelola koleksi karya (karya cetak, karya tulis, karya rekam) yang bertujuan memberikan pelayanan kepada pemustaka [1]. Berdasarkan pada tujuan tersebut, peningkatan kualitas perpustakaan menjadi tugas utama bagi pengelola perpustakaan, termasuk pengelola UPT Perpustakaan UNS. UPT Perpustakaan UNS merupakan perpustakaan perguruan tinggi yang bertugas memberikan pelayanan kepada civitas akademika UNS. Dalam menjalankan tugasnya, UPT ini dibantu dengan aplikasi UNSLA (UNS Library Automation) untuk mencatat proses sirkulasi (peminjaman, pengembalian buku). Seluruh proses sirkulasi tersimpan dalam database aplikasi UNSLA. Setiap harinya UPT Perpustakaan dapat melayani hingga 50 transaksi peminjaman buku, jika diakumulasikan dalam satu tahun, database UNSLA dapat berisi ribuan transaksi peminjaman. Data transaksi peminjaman buku tersebut dapat diolah untuk mendapatkan informasi yang bermanfaat. Dengan melakukan analisa terhadap pola peminjaman buku, pengelola UPT Perpustakaan dapat menggunakan hasil analisa tersebut untuk mengetahui pola peminjaman buku dari civitas akademika UNS, menetapkan kebijakan dalam rangka pengembangan UPT Perpustakaan dan mengetahui apakah koleksi yang dimiliki sudah sesuai dengan kebutuhan civitas akademika UNS. Pengolahan database transaksi peminjaman buku dilakukan dengan pendekatan data mining. Data mining merupakan pendekatan yang dilakukan untuk mendapatkan knowledge baru dari tumpukan data berukuran besar [2]. Teknik data mining yang digunakan adalah Association Rule. Association Rule merupakan teknik yang digunakan untuk mengetahui proses apa yang sering terjadi bersamaan [2]. Algoritma Association Rule yang digunakan adalah algoritma FP-Growth. Algoritma ini dipilih karena dinilai lebih baik dibandingkan algoritma sejenis, Apriori [3-5]. Fokus dari penelitian ini adalah melakukan analisa konsistensi terhadap pola peminjaman buku di UPT Perpustakaan dengan menggunakan algoritma FP-Growth. Dalam penelitian sebelumnya, Rama Novta Miraldi dkk mencoba membuat sistem rekomendasi peminjaman buku dengan menggunakan algoritma FP-Growth. Dari penelitian tersebut diperoleh hasil berupa sistem rekomendasi peminjaman buku dengan akurasi algoritma 60,78% [6]. Suryati Ali, dalam penelitiannya mengenai penerapan algoritma FP-Growth untuk penyelesaian kasus pola peminjaman buku menjelaskan bahwa algoritma ini dapat digunakan untuk menyelesaikan kasus pola peminjaman buku. Hasil yang diperoleh berupa pola pola peminjaman buku yang dilakukan oleh pemustaka di Perpustakaan Otorita Batam [7]. Rincian perbedaan antara penelitian Rama Novta Miraldi dkk, Suryati Ali dan penelitian ini dijelaskan pada Tabel 1 dan Tabel

2 Tabel 1. Rincian perbedaan penelitian Novta Miraldi dkk dan penelitian baru Dilihat dari Novta Miraldi dkk (2014) Penelitian baru Fokus Pembuatan sistem rekomendasi Analisa rule Tujuan Untuk mengetahui seberapa kuat rekomendasi sistem yang dibuat Data Data training : 80% data diambil acak Data uji : 20% Association Rule Association Rule (support, confidence) Lift pengujian Pengujian Dilakukan dengan menggunakan lift kemudian lihat apakah ada rule yg terpenuhi dari data uji Output Sistem rekomendasi yang menampilkan 5 rekomendasi buku Akurasi algoritma 60,78% Untuk mengetahui pola/rule yang terbentuk dari peminjaman buku Seluruh data dari tahun digunakan (dibagi perbulan, persemester, pertahun. Data tidak diambil secara acak) Association Rule (support, confidence) Lift faktor penentu rule Tidak dilakukan pengujian Analisa Rule hasil implementasi FP-Growth berdasarkan support, confidence, lift yang dibagi perbulan, persemester, pertahun Tabel 2. Rincian perbedaan penelitian Suryati Ali dan penelitian baru Dilihat dari Suryati Ali (2015) Penelitian Baru Association Association Rule Association Rule (Support, confidence,lift) Rule (Support, confidence) Faktor Interestingness Data Olahan Analisa Data Preprocessing Support rule min_support Confidence rule min_confidence 531 (Mei 2013 Maret 2014) Seluruh data dianalisa sekaligus Transformation (generalisasi) Data selection Fokus Pembangunan sistem, analisa pola Support rule min_support Confidence rule min_confidence Lift rule > (Januari Desember 2012 hingga Juni 2015) Data dianalisa perbulan, persemester, pertahun Data cleaning (hilangkan data redundan, kategorisasi,seleksi kategori sama) Data selection (pilih hanya data yang diperlukan) Analisa rule Pada penelitian ini, faktor interestingeness rule yang digunakan pada Association Rule adalah support, confidence, dan korelasi. Perhitungan korelasi yang dipilih adalah lift ratio karena dengan lift dapat dilihat hubungan keterkaitan antar item penyusun rule selain itu pada penelitian lain [8] dijelaskan bahwa lift terbukti dapat digunakan untuk membentuk Association Rule. 2. METODE Metode yang diterapkan pada penelitian ini ditunjukkan pada Gambar 1. Gambar 1. Metode penelitian yang digunakan. 228

3 2.1. Pengumpulan Data Data yang digunakan pada penelitian ini bersumber dari database UNSLA milik UPT Perpustakaan UNS. Database UNSLA berisi riwayat transaksi sirkulasi mulai dari tahun 2006 hingga saat ini. Namun, pada penelitian ini hanya digunakan data pada bulan Januari Desember 2012 hingga Juni Data tersebut dibagi berdasarkan bulan, semester, dan tahun kemudian diolah untuk mendapatkan pola peminjaman buku Preprocessing Preprocessing merupakan tahap yang dilakukan untuk mengolah data mentah menjadi data yang siap untuk digunakan. Data yang diperoleh dari database UNSLA harus melalui proses ini terlebih dahulu untuk memastikan bahwa data yang digunakan sudah siap dan sesuai. Proses preprocessing yang dilakukan pada penelitian ini ditunjukkan pada Gambar 2. Gambar 2. Preprocessing yang dilakukan pada penelitian Data Selection Data selection merupakan tahap preprocessing yang dilakukan untuk memilih data apa saja yang digunakan pada penelitian. Tidak semua tabel pada database UNSLA digunakan pada penelitian ini Data Cleaning Data cleaning merupakan tahap preprocessing yang dilakukan untuk menghapus redundansi data, proses kategorisasi judul buku, pengecekan terhadap redudansi kategori buku untuk peminjam yang sama. Penghapusan redudansi data dilakukan apabila terdapat lebih dari satu data yang identik. Kategorisasi buku dilakukan dengan cara mengkategorikan judul buku berdasarkan kategori buku. UPT Perpustakaan membagi koleksi buku berdasarkan 10 kategori, seperti ditunjukkan pada Tabel 3. Pengecekan terhadap redudansi kategori buku untuk peminjam yang sama dilakukan untuk melihat apakah pada satu peminjam yang sama terdapat lebih dari satu kategori buku yang sama. Tabel 3. Pembagian kategori buku di UPT Perpustakaan UNS Kode Kategori Buku Nama Kategori 000 Umum 100 Filsafat 200 Agama 300 Sosial 400 Bahasa 500 Ilmu Murni 600 Ilmu Terapan 700 Seni dan Olahraga 800 Kesusastraan 900 Sejarah 229

4 2.5. Analisa data Analisa data merupakan tahap yang dilakukan untuk menganalisa pola/ rule yang terbentuk pada pola peminjaman buku. Tahap yang dilakukan pada analisa data ditunjukkan pada Gambar 3. Gambar 3. Tahap analisa data. Tahapan analisa data yang dilakukan pada penelitian ini adalah: 1) Tahap pertama dimulai dengan mengolah data hasil preprocessing, menghitung nilai support count untuk tiap item yang terlibat kemudian melakukan seleksi terhadap item yang memenuhi persyaratan support rule minimum support. 2) Tahap kedua, menampilkan hasil seleksi item berdasarkan peminjam. Kemudian membuat FP-Tree berdasarkan pada transaksi peminjaman yang dilakukan peminjam. 3) Tahap ketiga, membuat conditional pattern base, conditional FP-Tree, dan frequent itemset dari FP-Tree. 4) Tahap keempat, menghitung nilai confidence dan lift untuk tiap rule yang dihasilkan. Kemudian melakukan seleksi terhadap rule yang memenuhi persyaratan confidence rule minimum confidence dan lift rule > Association Rule Association Rule merupakan teknik data mining yang digunakan untuk mengetahui proses yang sering terjadi bersamaan. Ada dua tahap yang dilakukan pada teknik ini yaitu temukan itemset yang sering muncul kemudian lakukan penyusunan rule [2] Faktor Interestingness Support Support merupakan peluang kejadian rule terhadap keseluruhan transaksi dalam dataset. Minimum support diartikan sebagai nilai support minimal yang harus dipenuhi oleh rule [2]. Support (A B) = P (AUB) = Confidence Confidence merupakan peluang kejadian suatu item muncul bersamaan dengan item lain muncul. Jika dinotasikan dengan bentuk A B, maka confidence diartikan sebagai seberapa sering B muncul ketika A juga muncul. Minimum confidence diartikan sebagai nilai confidence minimal yang harus dipenuhi oleh rule [2]. Confidence (A B) = P(B A) = = (2) (1) 230

5 Lift Ratio Lift ratio digunakan untuk mengetahui korelasi antar item dalam rule. Jika nilai lift rule > 1 maka positive correlation, jika nilai lift rule < 1 maka negative correlation, jika nilai lift rule = 1 maka disebut independent (tidak memiliki keterkaitan) [2]. Lift (A B) = = (3) 2.8. Frequent Pattern Growth (FP-Growth) FP-Growth merupakan salah satu algoritma yang digunakan untuk menyelesaikan kasus Association Rule. Algoritma ini memiliki dua tahap yaitu pertama, dilakukan kompresi terhadap database berdasarkan pada item yang sering muncul dengan membuat Frequent Pattern Tree (FP-Tree). Kedua, dilakukan pemisahan terhadap database hasil kompresi ke dalam bentuk conditional database [2] FP-Tree FP-Tree merupakan ciri khusus yang membedakan antara algoritma FP-Growth dengan algoritma sejenis, Apriori. FP-Tree memiliki dua karakteristik, pertama, dimulai dari sebuah akar yang diberi nama null. Kemudian dari akar membentuk sub-tree yang terdiri dari item-item tertentu dan sebuah tabel frequent header. Kedua, setiap simpul (node) mengandung tiga informasi penting yaitu label item (menunjukkan jenis item (item ID) yang direpresentasikan oleh node tersebut), support count (menunjukkan jumlah lintasan transaksi yang melewati simpul tersebut atau disebut juga sebagai frekuensi), pointer penghubung (node link) sebagai penghubung antara simpul dengan item sekaligus penghubung antar lintasan, pointer penghubung ditandai dengan garis panah putus putus. Contoh FP- Tree ditunjukkan pada Gambar 4. Gambar 4. Contoh FP-Tree [2]. 3. HASIL DAN PEMBAHASAN 3.1. Pengumpulan data Data yang diperoleh dari database UNSLA dipisahkan berdasarkan bulan, semester dan tahun dengan cara melakukan query terhadap database UNSLA. Data hasil query disimpan dalam bentuk csv file dan kemudian diolah menggunakan FP-Growth Preprocessing Data Data Selection Tahap preprocessing dimana dilakukan seleksi terhadap data yang digunakan. Data yang dibutuhkan untuk penelitian ini adalah tabel transaksi peminjaman buku, tabel anggota, tabel buku, dan tabel kategori buku Data Cleaning Penghilangan Redundansi Data Tahap penghilangan redudansi data dilakukan seperti pada Tabel 4. Tabel 4. Contoh penghilangan redudansi data Nama Peminjam Judul Buku Analisis Pembebanan Lalu Lintas Dengan Hadiyanto Mempertimbangkan Pengaruh Fenomena Simpang Hadiyanto 99 Tips Mempersiapkan Dan Menjaga Kehamilan Hadiyanto Indeks Biologi Dan Pertanian Indonesia : 231

6 Hadiyanto Hadiyanto Hadiyanto Hadiyanto Abis Yuni Puspita Adam Megatantra Hubungan Antara Kedisplinan Belajar, Keharmonisan Keluarga Dengan Prestasi Belajar Sosiologi Siswa.. The Reappearance Of The Christ And The Masters Of Wisdom Pengujian Karakteristik Aliran Fasa Tunggal Aliran Air Horisontal Pada Penukar Kalor Saluran Annular Pengujian Karakteristik Aliran Fasa Tunggal Aliran Air Horisontal Pada Penukar Kalor Saluran Annular Anggur: Teknik Mengajar Secara Sistematis Kategorisasi Judul Buku Tahap ini dilakukan dengan mengubah judul buku sesuai dengan kategori bukunya, seperti ditunjukkan pada Tabel 5. Tabel 5. Contoh proses kategorisasi judul buku No Kategori No Nama Peminjam Buku. Nama Peminjam 1 Hadiyanto Hadiyanto Hadiyanto Hadiyanto Hadiyanto 900 Kategori Buku 6 Hadiyanto Hadiyanto Abis Yuni Puspita Adam Megatantra 300 Pengecekan dan penghilangan redundansi kategori Tahap ini dilakukan pengecekan terhadap redudansi kategori untuk peminjam yang sama kemudian dilakukan penghapusan terhadap redudansi tersebut, seperti ditunjukkan Tabel 6. Tabel 6. Contoh penghilangan redudansi kategori No Kategori No. Kategori Nama Peminjam Buku Nama Peminjam Buku 1 Hadiyanto Hadiyanto Hadiyanto Hadiyanto 300 Hadiyanto Hadiyanto Abis Yuni Puspita Hadiyanto Adam Megatantra 300 No Kategori Nama Peminjam Buku 1 Hadiyanto Hadiyanto Hadiyanto Hadiyanto Hadiyanto Abis Yuni Puspita Adam Megatantra

7 Transaksi peminjaman berdasarkan peminjam. Pada tahap ini diperoleh hasil akhir preprocessing berupa transaksi peminjaman buku berdasarkan peminjam. Transaksi yang digunakan adalah transaksi dengan minimal 2 kategori untuk tiap transaksinya, seperti ditunjukkan Tabel 7. Tabel 7. Contoh hasil preprocessing Nama Peminjam Kategori Buku Hadiyanto 600,300,200,900,500 Abis Yuni Puspita 600 Adam Megatantra Analisa Data Pada tahap ini, dilakukan analisa terhadap pola yang dihasilkan. Pertama dicari pola yang terbentuk di tiap bulan, semester dan tahun dengan cara menghitung nilai support (1), confidence (2) dan lift (3) setiap pola. Kemudian dilakukan analisa konsistensi pola yang dihasilkan perbulan, semester, dan tahun. Dalam penelitian ini, nilai minimum support, minimum confidence, dan lift yang digunakan adalah 2%, 0.7, dan lift rule > Hasil Pola Peminjaman Buku Berdasarkan Bulan Data transaksi peminjaman buku setiap bulan diolah menggunakan algoritma FP-Growth, menghasilkan pola transaksi seperti pada Tabel 8 dan Tabel 9. Tabel 8. Contoh pola bulan Januari (sampling) Pola Peminjaman Buku Januari , ,500, ,500, , Tabel 9. Contoh pola bulan Desember(sampling) Pola Peminjaman Buku Desember , ,500, , , Hasil Pola Peminjaman Buku Berdasarkan Semester Data peminjaman buku tiap semester (Januari Juni dan Juli-Desember) diolah menggunakan algoritma FP-Growth. Contoh hasil pengolahan data peminjaman buku tiap semester ditunjukkan pada Tabel 10 dan 11. Tabel 10. Contoh pola semester (Januari-Juni) (sampling) Pola Peminjaman Buku Januari-Juni ,500, ,500, , ,000, Tabel 11. Contoh pola semester (Juli-Desember) (sampling) Pola Peminjaman Buku Juli- Desember ,500, , ,500, , Hasil Pola Peminjaman Buku Berdasarkan Tahun Data peminjaman buku berdasarkan tahun (Januari Desember) diolah menggunakan algoritma FP- Growth. Contoh hasil pengolahan data peminjaman buku berdasarkan tahun ditunjukkan pada Tabel

8 Tabel 12. Contoh pola peminjaman buku dalam satu tahun (sampling) Pola Peminjaman Buku Januari- Desember ,700, ,200, , ,000,700, Analisa Konsistensi Pola Analisa konsistensi pola dilakukan dengan cara melihat seberapa sering sebuah rule muncul pada tiap bulan. Kemudian melihat apakah rule tersebut juga muncul pada pola peminjaman berdasarkan semester dan tahun. Output dari proses ini adalah pola peminjaman buku yang konsisten seperti ditunjukkan pada Tabel 13. Tabel 13. Contoh hasil pola yang konsisten No Pola/Rule Konsistensi Kemunculan Konsisten Pola Semester Tahun 1 000, Ya Ya Ya 2 600,000, Ya Ya Ya 3 300, Tidak Tidak Tidak Pola yang konsisten menunjukkan karakteristik peminjaman buku yang dilakukan oleh civitas akademika UNS. Setelah mengetahui karakteristik peminjaman civitas akademika UNS, dapat diketahui apakah koleksi buku yang dimiliki saat ini sudah relevan dengan kebutuhan civitas akademika UNS. Hal tersebut dilakukan dengan cara membandingkan jumlah koleksi buku ditiap kategori dengan pola yang konsisten. 4. SIMPULAN Pola transaksi peminjaman buku yang dihasilkan tiap bulan tidak selalu sama meskipun dalam tahun yang sama. Hal tersebut dikarenakan karakteristik peminjam tiap bulan belum tentu sama, selain itu waktu peminjaman juga menentukan pola transaksi yang dihasilkan. Pola transaksi peminjaman buku tiap bulan mempengaruhi pembentukan pola transaksi berdasarkan semester dan tahun. Pola transaksi berdasarkan semester mencakup sebagian besar pola yang dihasilkan tiap bulan. Pola transaksi berdasarkan tahun mencakup sebagian besar pola yang dihasilkan tiap semester. Pola/rule yang sering muncul pada bulanbulan di tahun yang sama kemudian pola tersebut juga muncul di semester dan tahun menunjukkan pola tersebut konsisten. 5. REFERENSI [1] Presiden Republik Indonesia Undang-Undang Republik Indonesia Nomor 43 Tahun 2007 Tentang Perpustakaan. p. 45. [2] Han, J. dan Kamber, M Data Mining: Concepts and Techniques, vol. 54, no. Second Edition. Elsevier Inc. [3] Anggraeni, R. M Perbandingan Algoritma Apriori dan Algoritma FP-Growth untuk Perekomendasi Pada Transaksi Peminjaman Buku di Perpustakaan Universitas Dian Nuswantoro. pp [4] Erwin Analisis Market Basket Dengan Algoritma Apriori dan FP-Growth, J. Generic, vol. 4, pp [5] Ahmed, A. dan Mohamed, F A Frequent Pattern Growth Method for Mining Association Rules, pp [6] Miraldi, R. N., Rachmat, A., dan Susanto, B Implementasi Algoritma FP-Growth untuk Sistem Rekomendasi Buku di Perpustakaan UKDW. INFORMATIKA, vol. 10, no. l, pp [7] Ali, S Analisis Data Pola Peminjaman Buku Menggunakan Algoritma FP-Growth (Studi Kasus Perpustakaan Otorita Batam). [8] Hussein, N., Alashqur, A., dan Sowan, B. Using the interestingness measure lift to generate Association Rules. J. Adv. Comput. Sci. Technol., vol. 4, no. 1, p

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

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

Lebih terperinci

Association Rule Mining Data Peminjaman Perpustakaan Menggunakan Apriori dan Jaccard Similarity

Association 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 terperinci

SKRIPSI TI S1 FIK UDINUS 1

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

Lebih terperinci

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

SISTEM REKOMENDASI PAKET MAKANAN DENGAN ALGORITMA FP-GROWTH PADA RESTORAN SEAFOOD XYZ SISTEM REKOMENDASI PAKET MAKANAN DENGAN ALGORITMA FP-GROWTH PADA RESTORAN SEAFOOD XYZ Pahridila Lintang 1),Muhammad Iqbal 2), Ade Pujianto 3) 1), 2, 3) Teknik Informatika STMIK AMIKOM Yogyakarta Jl Ring

Lebih terperinci

DATA MINING ANALISA POLA PEMBELIAN PRODUK DENGAN MENGGUNAKAN METODE ALGORITMA APRIORI

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

Lebih terperinci

2.2 Data Mining. Universitas Sumatera Utara

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

Lebih terperinci

ASSOCIATION RULE MINING DATA PEMINJAMAN PERPUSTAKAAN MENGGUNAKAN KOMBINASI APRIORI DAN JACCARD SIMILARITY

ASSOCIATION RULE MINING DATA PEMINJAMAN PERPUSTAKAAN MENGGUNAKAN KOMBINASI APRIORI DAN JACCARD SIMILARITY digilib.uns.ac.id ASSOCIATION RULE MINING DATA PEMINJAMAN PERPUSTAKAAN MENGGUNAKAN KOMBINASI APRIORI DAN JACCARD SIMILARITY SKRIPSI Diajukan untuk Memenuhi Salah Satu Syarat Mencapai Gelar Strata Satu

Lebih terperinci

BAB I PENDAHULUAN 1.1 Latar Belakang

BAB I PENDAHULUAN 1.1 Latar Belakang BAB I PENDAHULUAN 1.1 Latar Belakang Apriori merupakan salah satu algoritma yang terkenal dalam mencari frequent pattern dari database transaksi[8]. Prinsip dari algortima Apriori ini adalah jika sebuah

Lebih terperinci

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

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

Lebih terperinci

ANALISIS ALGORITMA APRIORI UNTUK REKOMENDASI PENEMPATAN BUKU PADA PERPUSTAKAAN

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

Lebih terperinci

PENDAHULUAN TINJAUAN PUSTAKA

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

Lebih terperinci

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

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

Lebih terperinci

Penggunaan Struktur FP-Tree dan Algoritma FP- Growth dalam Rekomendasi Promosi Produk pada Situs Belanja Online

Penggunaan Struktur FP-Tree dan Algoritma FP- Growth dalam Rekomendasi Promosi Produk pada Situs Belanja Online Penggunaan Struktur FP-Tree dan Algoritma FP- Growth dalam Rekomendasi Promosi Produk pada Situs Belanja Online Irene Edria Devina / 13515038 1 Program Studi Teknik Informatika Sekolah Teknik Elektro dan

Lebih terperinci

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

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

Lebih terperinci

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

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

Lebih terperinci

Abstrak. Data Mining, Algoritma Apriori, Algoritma FP-Growth, Mata Pelajaran, Pemrograman, Web Programming, Matematika, Bahasa Inggris.

Abstrak. Data Mining, Algoritma Apriori, Algoritma FP-Growth, Mata Pelajaran, Pemrograman, Web Programming, Matematika, Bahasa Inggris. Penerapan Algoritma Apriori dan Algoritma FP-Growth Dalam Menemukan Hubungan Data Nilai Ijazah Matematika dan Bahasa Inggris Dengan Nilai Mata Pelajaran Pemrograman dan Web Programming (Studi Kasus SMK

Lebih terperinci

BAB 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. 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 terperinci

BAB 2 TINJAUAN PUSTAKA

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

Lebih terperinci

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

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

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

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

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

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

Lebih terperinci

BAB II TINJAUAN PUSTAKA

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

Lebih terperinci

Pola Kompetensi Mahasiswa Program Studi Informatika Menggunakan FP-Growth

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

Lebih terperinci

BAB III METODE PENELITIAN

BAB III METODE PENELITIAN 25 BAB III METODE PENELITIAN 3.1 Desain Penelitian Penelitian ini menggunakan jenis penelitian eksperimen, dengan tahapan penelitian sebagai berikut: 1. Pengumpulan Data Pengumpulan data merupakan langkah

Lebih terperinci

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

IMPLEMENTASI ALGORITMA FP- GROWTH MENGGUNAKAN ASSOCIATION RULE PADA MARKET BASKET ANALYSIS IMPLEMENTASI ALGORITMA FP- GROWTH MENGGUNAKAN ASSOCIATION RULE PADA MARKET BASKET ANALYSIS Fitriyani Fakultas Teknik, Universitas BSI Bandung Jalan Sekolah Internasional No. 1-6, Bandung 40282, Indonesia

Lebih terperinci

PENGGUNAAN ALGORITMA APRIORI UNTUK MENEMUKAN POLA PEMINJAMAN BUKU DI PERPUSTAKAAN UNIVERSITAS DIAN NUSWANTORO SEMARANG

PENGGUNAAN ALGORITMA APRIORI UNTUK MENEMUKAN POLA PEMINJAMAN BUKU DI PERPUSTAKAAN UNIVERSITAS DIAN NUSWANTORO SEMARANG PENGGUNAAN ALGORITMA APRIORI UNTUK MENEMUKAN POLA PEMINJAMAN BUKU DI PERPUSTAKAAN UNIVERSITAS DIAN NUSWANTORO SEMARANG Using Apriori Algorithm to Find Patterns the Loan Books in Semara ng Dian Nuswantoro

Lebih terperinci

BAB 2 TINJAUAN PUSTAKA

BAB 2 TINJAUAN PUSTAKA BAB 2 TINJAUAN PUSTAKA Pada tinjauan pustaka ini membahas tentang landasan teori yang medukung pembahasan yang berhubungan dengan sistem yang akan dibuat. 2.1 Data Mining Data mining adalah kegiatan menemukan

Lebih terperinci

PENERAPAN ALGORITMA APRIORI DALAM MEMPREDIKSI PERSEDIAAN BUKU PADA PERPUSTAKAAN SMA DWI TUNGGAL TANJUNG MORAWA

PENERAPAN ALGORITMA APRIORI DALAM MEMPREDIKSI PERSEDIAAN BUKU PADA PERPUSTAKAAN SMA DWI TUNGGAL TANJUNG MORAWA PENERAPAN ALGORITMA APRIORI DALAM MEMPREDIKSI PERSEDIAAN BUKU PADA PERPUSTAKAAN SMA DWI TUNGGAL TANJUNG MORAWA Domma Lingga Mahasiswa Program Studi Teknik Informatika STMIK Budidarma Medan Jl. Sisingamangaraja

Lebih terperinci

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

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

Lebih terperinci

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

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

Lebih terperinci

BAB I PENDAHULUAN. 1.1 Latar Belakang

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

Lebih terperinci

Kata kunci : Perpustakaan, Sistem Rekomendasi, Knowledge Discovery from Database (KDD), Association Rule Mining, Algoritma CT-PRO

Kata kunci : Perpustakaan, Sistem Rekomendasi, Knowledge Discovery from Database (KDD), Association Rule Mining, Algoritma CT-PRO PENERAPAN ASSOCIATION RULE MINING UNTUK REKOMENDASI PENELUSURAN BUKU DENGAN ALGORITMA CT-PRO Dwi Maryati Suryana, Sri Setyaningsih, Lita Karlitasari e-mail : dwimaryatisuryana@yahoo.com Program Studi Ilmu

Lebih terperinci

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

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

Lebih terperinci

BAB I PENDAHULUAN Latar Belakang

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

Lebih terperinci

PENINGKATAN PERFORMA ALGORITMA APRIORI UNTUK ATURAN ASOSIASI DATA MINING

PENINGKATAN 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 terperinci

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

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

Lebih terperinci

BAB IV METEDOLOGI PENELITIAN

BAB 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 terperinci

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

BAB I PENDAHULUAN. Teknologi Informasi sekarang ini telah digunakan hampir di semua aspek BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Teknologi Informasi sekarang ini telah digunakan hampir di semua aspek kehidupan, contohnya dalam sebuah perusahaan ritel. Dengan sistem yang telah terkomputerisasi,

Lebih terperinci

ASSOCIATION RULES PADA TEXT MINING

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

Lebih terperinci

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

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

Lebih terperinci

Mining Association Rules dalam Basis Data yang Besar

Mining Association Rules dalam Basis Data yang Besar Mining Association Rules dalam Basis Data yang Besar S1 Teknik Informatika Fakultas Teknologi Informasi Universitas Kristen Maranatha Agenda Pendahuluan Association Rule Mining Market Basket Analysis Konsep

Lebih terperinci

BAB II LANDASAN TEORI

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

Lebih terperinci

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

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

Lebih terperinci

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

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

Lebih terperinci

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

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

Lebih terperinci

PENERAPAN ALGORITMA APRIORI ASSOCIATION RULE UNTUK ANALISA NILAI MAHASISWA DI UNIVERSITAS GUNADARMA

PENERAPAN 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 terperinci

Aplikasi 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 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 terperinci

BAB I PENDAHULUAN 1.1 Latar Belakang Masalah

BAB I PENDAHULUAN 1.1 Latar Belakang Masalah BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Data mining bertujuan untuk menemukan pola-pola yang valid, baru, mempunyai nilai guna, dan mudah dipahami dari data yang ada. Jenis pola yang dihasilkan ditentukan

Lebih terperinci

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

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

Lebih terperinci

ANALISA POLA DATA HASIL PEMBANGUNAN KABUPATEN MALANG MENGGUNAKAN METODE ASSOCIATION RULE

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

Lebih terperinci

BAB V IMPLEMENTASI DAN PENGUJIAN SISTEM

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

Lebih terperinci

ANALISIS ASSOCIATION RULES ALGORITMA APRIORI PENJUALAN KAOS TRAVELLING

ANALISIS 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 terperinci

II. TINJAUAN PUSTAKA

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

Lebih terperinci

1. BAB I PENDAHULUAN 1.1. Latar Belakang ,

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

Lebih terperinci

BAB I PENDAHULUAN 1.1. Latar Belakang

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

Lebih terperinci

E-Journal Teknik Informatika Vol.8, No.1, April 2016

E-Journal Teknik Informatika Vol.8, No.1, April 2016 Analisa Pola Belanja Swalayan Daily Mart Untuk Menentukan Tata Letak Barang Menggunakan Algoritma FP-Growth Kezia Sumangkut (1), Arie Lumenta (2), Virginia Tulenan (3) Teknik Informatika, Universitas Sam

Lebih terperinci

BAB I PENDAHULUAN. 1.1 Latar Belakang

BAB 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 terperinci

PENERAPAN METODE ASOSIASI GSP DAN APRIORI UNTUK STOK DAN REKOMENDASI PRODUK

PENERAPAN METODE ASOSIASI GSP DAN APRIORI UNTUK STOK DAN REKOMENDASI PRODUK Konferensi Nasional Ilmu Sosial & Teknologi (KNiST) Maret 2017, pp. 412~416 412 PENERAPAN METODE ASOSIASI GSP DAN APRIORI UNTUK STOK DAN REKOMENDASI PRODUK Elly Muningsih AMIK BSI Yogyakarta e-mail : elly.emh@bsi.ac.id

Lebih terperinci

BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah

BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Ketersediaan data sudah bukan hal yang sulit diperoleh lagi dewasa ini apalagi ditunjang dengan banyaknya kegiatan yang sudah dilakukan secara komputerisasi.

Lebih terperinci

BAB 3 METODE PENELITIAN. Jenis sumber data yang didapatkan peneliti adalah data primer dan data sekunder.

BAB 3 METODE PENELITIAN. Jenis sumber data yang didapatkan peneliti adalah data primer dan data sekunder. BAB 3 METODE PENELITIAN 3.1 Metode Pengumpulan Data 3.1.1 Sumber Data Jenis sumber data yang didapatkan peneliti adalah data primer dan data sekunder. 1. Data primer Didapatkan peneliti secara langsung

Lebih terperinci

BAB II TINJAUAN PUSTAKA

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

Lebih terperinci

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

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

Lebih terperinci

PENERAPAN DATA MINING UNTUK MENDISKRIPSIKAN TINGKAT KREDIT BERMASALAH PADA BANK

PENERAPAN DATA MINING UNTUK MENDISKRIPSIKAN TINGKAT KREDIT BERMASALAH PADA BANK PENERAPAN DATA MINING UNTUK MENDISKRIPSIKAN TINGKAT KREDIT BERMASALAH PADA BANK Rizky Fajar Nugraha Fakultas Ilmu Komputer, Universitas Dian Nuswantoro Semarang ABSTRAK Pertumbuhan yang pesat dari akumulasi

Lebih terperinci

Model Data Mining sebagai Prediksi Penyakit Hipertensi Kehamilan dengan Teknik Decision Tree

Model Data Mining sebagai Prediksi Penyakit Hipertensi Kehamilan dengan Teknik Decision Tree Scientific Journal of Informatics Vol. 3, No. 1, Mei 2016 p-issn 2407-7658 http://journal.unnes.ac.id/nju/index.php/sji e-issn 2460-0040 Model Data Mining sebagai Prediksi Penyakit Hipertensi Kehamilan

Lebih terperinci

TINJAUAN PUSTAKA Data Mining

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

Lebih terperinci

APLIKASI DATA MINING UNTUK MENAMPILKAN INFORMASI TINGKAT KELULUSAN MAHASISWA

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

Lebih terperinci

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

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

Lebih terperinci

Timor Setiyaningsih, Nur Syamsiah Teknik Informatika Universitas Darma Persada. Abstrak

Timor 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 terperinci

BAB III METODOLOGI PENELITIAN

BAB 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 terperinci

Perancangan dan Pembuatan Modul Data Mining Market Basket Analysis pada Odoo dengan Studi Kasus Supermarket X

Perancangan dan Pembuatan Modul Data Mining Market Basket Analysis pada Odoo dengan Studi Kasus Supermarket X Perancangan dan Pembuatan Modul Data Mining Market Basket Analysis pada Odoo dengan Studi Kasus Supermarket X Stefani Natalia Hendratha 1, Yulia 2, Gregorius Satia Budhi 3 Program Studi Teknik Informatika,

Lebih terperinci

2.1 Penelitian Terkait

2.1 Penelitian Terkait BAB II TINJAUAN PUSTAKA 2.1 Penelitian Terkait Penelitian yang dilakukan oleh Dinda Setiawati Devi dengan menggunakan metode Apriori untuk analisa keranjang pasar untuk 100 data transaksi dan 55 jenis

Lebih terperinci

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

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

Lebih terperinci

Jurnal Ilmiah Komputer dan Informatika (KOMPUTA) PENERAPAN IMPROVED APRIORI PADA APLIKASI DATA MINING DI PERUSAHAAN KALVIN SOCKS PRODUCTION

Jurnal Ilmiah Komputer dan Informatika (KOMPUTA) PENERAPAN IMPROVED APRIORI PADA APLIKASI DATA MINING DI PERUSAHAAN KALVIN SOCKS PRODUCTION Vol. 5, No., Maret 26, ISSN : 289-9 5 PENERAPAN IMPROVED APRIORI PADA APLIKASI DATA MINING DI PERUSAHAAN KALVIN SOCKS PRODUCTION Yepi Septiana, Dian Dharmayanti2 Teknik Informatika - Universitas Komputer

Lebih terperinci

BAB III ANALISIS DAN PERANCANGAN

BAB 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 terperinci

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

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

Lebih terperinci

ASSOCIATION RULE MINING UNTUK PENENTUAN REKOMENDASI PROMOSI PRODUK

ASSOCIATION RULE MINING UNTUK PENENTUAN REKOMENDASI PROMOSI PRODUK ASSOCIATION RULE MINING UNTUK PENENTUAN REKOMENDASI PROMOSI PRODUK Wiwit Agus Triyanto Fakultas Teknik, Program Studi Sistem Informasi Universitas Muria Kudus Email: at.wiwit@yahoo.co.id ABSTRAK Rekomendasi

Lebih terperinci

Analisis Frekuensi Pola Pembelian Konsumen Menggunakan Algoritma Frequent Pattern Growth Pada Data Transaksi Penjualan Bon Bon Resto Semarang

Analisis Frekuensi Pola Pembelian Konsumen Menggunakan Algoritma Frequent Pattern Growth Pada Data Transaksi Penjualan Bon Bon Resto Semarang Analisis Frekuensi Pola Pembelian Konsumen Menggunakan Algoritma Frequent Pattern Growth Pada Data Transaksi Penjualan Bon Bon Resto Semarang Nur Imam Fachruzi Fakultas Ilmu Komputer, Universitas Dian

Lebih terperinci

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

BAB III METODE PENELITIAN. desaign dan coding program. Dibutuhkan waktu selama kurang lebih 8 bulan 19 BAB III METODE PENELITIAN 3.1 Waktu dan Tempat Dalam penelitian ini memerlukan waktu yang cukup lama, yaitu dalam membuat desaign dan coding program. Dibutuhkan waktu selama kurang lebih 8 bulan untuk

Lebih terperinci

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

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

Lebih terperinci

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

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

Lebih terperinci

Penerapan Data Mining Association Rule Menggunakan Algoritma Apriori Untuk Meningkatkan Penjualan dan Memberikan Rekomendasi Pemasaran Produk Speedy

Penerapan Data Mining Association Rule Menggunakan Algoritma Apriori Untuk Meningkatkan Penjualan dan Memberikan Rekomendasi Pemasaran Produk Speedy Penerapan Data Mining Association Rule Menggunakan Algoritma Apriori Untuk Meningkatkan Penjualan dan Memberikan Rekomendasi Pemasaran Produk Speedy (Studi Kasus di PT. Telkom Cabang Wonogiri ) Moch. Yusuf

Lebih terperinci

BAB III METODOLOGI PENELITIAN

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

Lebih terperinci

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

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

Lebih terperinci

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

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

Lebih terperinci

BAB IV HASIL DAN PEMBAHASAN. Sumber data utama yang digunakan dalam penelitian ini berasal dari data

BAB IV HASIL DAN PEMBAHASAN. Sumber data utama yang digunakan dalam penelitian ini berasal dari data BAB IV HASIL DAN PEMBAHASAN A. Pengumpulan Data Sumber data utama yang digunakan dalam penelitian ini berasal dari data transaksi 3 bulan terakhir yaitu bulan Maret, April, Mei tahun 2012 di swalayan XYZ

Lebih terperinci

Rancang Bangun Fitur Rekomendasi Buku Menggunakan Algoritma PrefixSpan pada Sistem Peminjaman Buku Berbasis Web di Perpustakaan Universitas Ciputra

Rancang Bangun Fitur Rekomendasi Buku Menggunakan Algoritma PrefixSpan pada Sistem Peminjaman Buku Berbasis Web di Perpustakaan Universitas Ciputra Rancang Bangun Fitur Rekomendasi Buku Menggunakan Algoritma PrefixSpan pada Sistem Peminjaman Buku Berbasis Web di Perpustakaan Universitas Ciputra Lenny Universitas Ciputra UC Town, Citraland Surabaya

Lebih terperinci

BAB 2 TINJAUAN PUSTAKA

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

Lebih terperinci

DATA MINING ASOSIASI UNTUK MENENTUKAN CROSS-SELLING PRODUK MENGGUNAKAN ALGORITMA FREQUENT PATTERN-GROWTH PADA KOPERASI KARYAWAN PT.

DATA MINING ASOSIASI UNTUK MENENTUKAN CROSS-SELLING PRODUK MENGGUNAKAN ALGORITMA FREQUENT PATTERN-GROWTH PADA KOPERASI KARYAWAN PT. DATA MINING ASOSIASI UNTUK MENENTUKAN CROSS-SELLING PRODUK MENGGUNAKAN ALGORITMA FREQUENT PATTERN-GROWTH PADA KOPERASI KARYAWAN PT. PHAPROS SEMARANG Frismadani Anggita Priyana 1, Acun Kardianawati 2 1,2

Lebih terperinci

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

ALGORITMA PARALEL FP-GROWTH UNTUK PENGGALIAN KAIDAH ASOSIASI PADA JARINGAN KOMPUTER ALGORITMA PARALEL FP-GROWTH UNTUK PENGGALIAN KAIDAH ASOSIASI PADA JARINGAN KOMPUTER F.X. Arunanto, Syaiful Isman Jurusan Teknik Informatika, Fakultas Teknologi Informasi, Institut Teknologi Sepuluh Nopember

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 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 terperinci

METODE ASSOCIATION RULE DALAM MENGANALISA POLA BELANJA KONSUMEN PADA DATA TRANSAKSI PENJUALAN MENGGUNAKAN ALGORITMA FP-GROWTH

METODE ASSOCIATION RULE DALAM MENGANALISA POLA BELANJA KONSUMEN PADA DATA TRANSAKSI PENJUALAN MENGGUNAKAN ALGORITMA FP-GROWTH METODE ASSOCIATION RULE DALAM MENGANALISA POLA BELANJA KONSUMEN PADA DATA TRANSAKSI PENJUALAN MENGGUNAKAN ALGORITMA FP-GROWTH Dessy Chaerunnissa 1, Edy Mulyanto, S.Si, M.Kom 2 Teknik Informatika, Fakultas

Lebih terperinci

EDUCATIONAL DATA MINING (KONSEP DAN PENERAPAN)

EDUCATIONAL 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 terperinci

BAB 3 ANALISIS HIPOTESIS

BAB 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 terperinci

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

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

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 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 terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

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

Lebih terperinci

APLIKASI DATA MINING MARKET BASKET ANALYSIS PENJUALAN SUKU CADANG SEPEDA MOTOR MENGGUNAKAN METODE ASSOCIATION RULES PADA PT. SEJAHTERA MOTOR GEMILANG

APLIKASI DATA MINING MARKET BASKET ANALYSIS PENJUALAN SUKU CADANG SEPEDA MOTOR MENGGUNAKAN METODE ASSOCIATION RULES PADA PT. SEJAHTERA MOTOR GEMILANG APLIKASI DATA MINING MARKET BASKET ANALYSIS PENJUALAN SUKU CADANG SEPEDA MOTOR MENGGUNAKAN METODE ASSOCIATION RULES PADA PT. SEJAHTERA MOTOR GEMILANG EKA FITRIA WULANSARI Program Studi Teknik Informatika,

Lebih terperinci

PENENTUAN LOKASI BARANG PADA A Swalayan MENGGUNAKAN ASSOCIATION RULE DENGAN ALGORITMA FP-GROWTH

PENENTUAN LOKASI BARANG PADA A Swalayan MENGGUNAKAN ASSOCIATION RULE DENGAN ALGORITMA FP-GROWTH PENENTUAN LOKASI BARANG PADA A Swalayan MENGGUNAKAN ASSOCIATION RULE DENGAN ALGORITMA FP-GROWTH DETERMINING LOCATION OF GOODS IN A Swalayan USING ASSOCIATION RULE BY FP-GROWTH ALGORITHM Ardi Wijaksono

Lebih terperinci

Jurnal Ilmiah Komputer dan Informatika (KOMPUTA)

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

Lebih terperinci

IMPLEMENTASI ALGORITMA HASH BASED TERHADAP ATURAN ASOSIASI UNTUK MENENTUKAN FREQUENT ITEMSET STUDY KASUS RUMAH MAKAN SEAFOOD KITA

IMPLEMENTASI ALGORITMA HASH BASED TERHADAP ATURAN ASOSIASI UNTUK MENENTUKAN FREQUENT ITEMSET STUDY KASUS RUMAH MAKAN SEAFOOD KITA IMPLEMENTASI ALGORITMA HASH BASED TERHADAP ATURAN ASOSIASI UNTUK MENENTUKAN FREQUENT ITEMSET STUDY KASUS RUMAH MAKAN SEAFOOD KITA Farha Ramadhan Teknik Informatika STMIK AMIKOM Yogyakarta Jl Ring road

Lebih terperinci