ANALISA KONSISTENSI POLA PEMINJAMAN BUKU MENGGUNAKAN ALGORITMA FP-GROWTH (Studi Kasus: UPT Perpustakaan Universitas Sebelas Maret)
|
|
- Yuliani Hermanto
- 7 tahun lalu
- Tontonan:
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 1 mirandaaprilina@student.uns.ac.id, 2 wiranto@staff.uns.ac.id, 3 widodo@staff.uns.ac.id 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
ANALISA KONSISTENSI POLA PEMINJAMAN BUKU MENGGUNAKAN ALGORITMA FP-GROWTH (STUDI KASUS:UPT PERPUSTAKAAN UNIVERSITAS SEBELAS MARET)
ANALISA KONSISTENSI POLA PEMINJAMAN BUKU MENGGUNAKAN ALGORITMA FP-GROWTH (STUDI KASUS:UPT PERPUSTAKAAN UNIVERSITAS SEBELAS MARET) SKRIPSI Diajukan untuk Memenuhi Salah Satu Syarat Mencapai Gelar Strata
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 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 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 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 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 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 terperinciPENERAPAN DATA MINING MENGGUNAKAN ALGORITMA FP-TREE DAN FP-GROWTH PADA DATA TRANSAKSI PENJUALAN OBAT
PENERAPAN DATA MINING MENGGUNAKAN ALGORITMA FP-TREE DAN FP-GROWTH PADA DATA TRANSAKSI PENJUALAN OBAT Yuyun Dwi Lestari Program Studi Teknik Informatika, Sekolah Tinggi Teknik Harapan Jl. H. M. Jhoni No.
Lebih terperinciASSOCIATION 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 terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Apriori merupakan salah satu algoritma yang terkenal dalam mencari frequent pattern dari database transaksi[8]. Prinsip dari algortima Apriori ini adalah jika sebuah
Lebih terperinciAssociation Rule Mining on Library Books Lending Data Using Combination of Apriori And Jaccard Similarity
Vol. 5, No. 2, Desember 26 ISSN: 2372, EISSN: 2545689 Association Rule Mining on Library Books Lending Data Using Combination of Apriori And Jaccard Similarity Muhammad Hezby Al Haq Ristu Saptono Sarngadi
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 terperinciANALISIS ALGORITMA APRIORI UNTUK REKOMENDASI PENEMPATAN BUKU PADA PERPUSTAKAAN
1 ANALISIS ALGORITMA APRIORI UNTUK REKOMENDASI PENEMPATAN BUKU PADA PERPUSTAKAAN 1 Uma Mazida, 2 Ricardus Anggi Pramunendar, M.Cs Program Studi Teknik Informatika S1 Fakultas Ilmu Komputer Universitas
Lebih 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 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 terperinciPenggunaan Struktur FP-Tree dan Algoritma FP- Growth dalam Rekomendasi Promosi Produk pada Situs Belanja Online
Penggunaan Struktur FP-Tree dan Algoritma FP- Growth dalam Rekomendasi Promosi Produk pada Situs Belanja Online Irene Edria Devina / 13515038 1 Program Studi Teknik Informatika Sekolah Teknik Elektro dan
Lebih terperinciPERBANDINGAN ALGORITMA APRIORI DAN ALGORITMA FP-GROWTH UNTUK PEREKOMENDASI PADA TRANSAKSI PEMINJAMAN BUKU DI PERPUSTAKAAN UNIVERSITAS DIAN NUSWANTORO
PERBANDINGAN ALGORITMA APRIORI DAN ALGORITMA FP-GROWTH UNTUK PEREKOMENDASI PADA TRANSAKSI PEMINJAMAN BUKU DI PERPUSTAKAAN UNIVERSITAS DIAN NUSWANTORO Rizky Mei Anggraeni Program Studi Teknik Informatika,
Lebih terperinciBAB 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 terperinciAnalisa Data Mining Menggunakan Algoritma Frequent Pattern Growth Pada Data Transaksi Penjualan Restoran Joglo Kampoeng Doeloe Semarang
Analisa Data Mining Menggunakan Algoritma Frequent Pattern Growth Pada Data Transaksi Penjualan Restoran Joglo Kampoeng Doeloe Semarang Tia Arifatul Maulida Fakultas Ilmu Komputer, Universitas Dian Nuswantoro,
Lebih terperinciAbstrak. Data Mining, Algoritma Apriori, Algoritma FP-Growth, Mata Pelajaran, Pemrograman, Web Programming, Matematika, Bahasa Inggris.
Penerapan Algoritma Apriori dan Algoritma FP-Growth Dalam Menemukan Hubungan Data Nilai Ijazah Matematika dan Bahasa Inggris Dengan Nilai Mata Pelajaran Pemrograman dan Web Programming (Studi Kasus SMK
Lebih 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 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 terperinciRANCANG BANGUN APLIKASI DATA MINING ANALISIS TINGKAT KELULUSAN MENGGUNAKAN ALGORITMA FP-GROWTH (Studi Kasus Di Politeknik Negeri Malang)
RANCANG BANGUN APLIKASI DATA MINING ANALISIS TINGKAT KELULUSAN MENGGUNAKAN ALGORITMA FP-GROWTH (Studi Kasus Di Politeknik Negeri Malang) Naufal Farras Hilmy 1, Banni Satria Andoko 2 Program Studi Teknik
Lebih 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 terperinciAPLIKASI DATA MINING ANALISIS DATA TRANSAKSI PENJUALAN OBAT MENGGUNAKAN ALGORITMA APRIORI (Studi Kasus di Apotek Setya Sehat Semarang)
Hapsari Dita Anggraeni, Ragil Saputra, Beta Noranita APLIKASI DATA MINING ANALISIS DATA TRANSAKSI PENJUALAN OBAT MENGGUNAKAN ALGORITMA APRIORI (Studi Kasus di Apotek Setya Sehat Semarang) Hapsari Dita
Lebih terperinciBAB 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 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 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 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 terperinciBAB 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 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 terperinciPENGGUNAAN 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 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 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 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 terperinciIMPLEMENTASI ALGORITMA FP- GROWTH MENGGUNAKAN ASSOCIATION RULE PADA MARKET BASKET ANALYSIS
IMPLEMENTASI ALGORITMA FP- GROWTH MENGGUNAKAN ASSOCIATION RULE PADA MARKET BASKET ANALYSIS Fitriyani Fakultas Teknik, Universitas BSI Bandung Jalan Sekolah Internasional No. 1-6, Bandung 40282, Indonesia
Lebih terperinciANALISIS KETERKAITAN DATA TRANSAKSI PENJUALAN BUKU MENGGUNAKAN ALGORITMA APRIORI DAN ALGORITMA CENTROID LINKAGE HIERARCHICAL METHOD (CLHM)
ANALISIS KETERKAITAN DATA TRANSAKSI PENJUALAN BUKU MENGGUNAKAN ALGORITMA APRIORI DAN ALGORITMA CENTROID LINKAGE HIERARCHICAL METHOD (CLHM) Nurani 1, Hamdan Gani 2 1 nurani_nanni@yahoo.com, 2 hamdan.gani.inbox@gmail.com
Lebih terperinciKata 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 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 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 terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Dalam periode enam tahun terakhir (tahun 2007 2012), jumlah gerai ritel modern di Indonesia mengalami pertumbuhan rata-rata 17,57% per tahun. Pada tahun 2007, jumlah
Lebih terperinciProsiding Statistika ISSN:
Prosiding Statistika ISSN: 2460-6456 Market Basket Analysis Menggunakan Algoritma FP-Growth (Kasus Data Peminjaman Buku di Perpustakaan Universitas Islam Bandung) Market Basket Analysis Using FP-Growth
Lebih terperinciJurnal 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 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 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 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 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 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 terperinciPENGGUNAAN ALGORITMA APRIORI UNTUK MENENTUKAN REKOMENDASI STRATEGI PENJUALAN PADA TOSERBA DIVA SKRIPSI
PENGGUNAAN ALGORITMA APRIORI UNTUK MENENTUKAN REKOMENDASI STRATEGI PENJUALAN PADA TOSERBA DIVA SKRIPSI Diajukan Untuk Memenuhi Salah Satu Syarat Guna Memperoleh Gelar Sarjana Komputer (S.Kom.) Pada Program
Lebih terperinciASSOCIATION RULES PADA TEXT MINING
Budi Susanto ASSOCIATION RULES PADA TEXT MINING SUSANTO 1 Tujuan Memahami algoritma Apriori dan FP- Growth Memahami penerapannya pada penambangan dokumen Memamahmi algoritma GSP Memahami penerapannya pada
Lebih terperinciBAB 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 terperinciPENERAPAN METODE APRIORI ASOSIASI TERHADAP PENJUALAN PRODUCT COSMETIC UNTUK MENDUKUNG STRATEGI PENJUALAN
PENERAPAN METODE APRIORI ASOSIASI TERHADAP PENJUALAN PRODUCT COSMETIC UNTUK MENDUKUNG STRATEGI PENJUALAN SKRIPSI Diajukan untuk memenuhi salah satu syarat guna memperoleh gelar Sarjana Komputer (S.Kom)
Lebih 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 terperinciPENGGALIAN KAIDAH MULTILEVEL ASSOCIATION RULE DARI DATA MART SWALAYAN ASGAP
PENGGALIAN KAIDAH MULTILEVEL ASSOCIATION RULE DARI DATA MART SWALAYAN ASGAP Teguh Pradana 1) 1) Program Studi/Prodi Teknik Informatika, STMIK Yadika, email: INTI_PERSADA_SOFTWARE@yahoo.co.id Abstrak: Perkembangan
Lebih terperinciBAB 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 terperinciBAB III METODE PENELITIAN. Metode penelitian merupakan suatu prosedur beserta tahapan-tahapan yang
BAB III METODE PENELITIAN Metode penelitian merupakan suatu prosedur beserta tahapan-tahapan yang tersusun secara jelas dan sistematis guna menyelesaikan suatu permasalahan yang sedang diteliti dengan
Lebih terperinciIII. METODOLOGI PENELITIAN
III. METODOLOGI PENELITIAN 3.1. Kerangka Pemikiran Penelitian Informasi merupakan suatu unsur kunci yang penting di dalam suatu sistem konseptual. Suatu informasi dapat terbentuk melalui berbagai cara
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 I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Perkembangan dunia perdagangan di Indonesia, khususnya pada industri grosir dan retail semakin ramai dan menuntut adanya inovasi tinggi. Ritel merupakan mata rantai
Lebih terperinciIMPLEMENTASI 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 terperinciBAB 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakang Association rules mining merupakan teknik data mining untuk menentukan hubungan diantara data atau bagaimana suatu kelompok data mempengaruhi suatu kelompok data lain
Lebih terperinciANALISIS DAN IMPLEMENTASI ALGORITMA FP-GROWTH PADA APLIKASI SMART UNTUK MENENTUKAN MARKET BASKET ANALYSIS PADA USAHA RETAIL (STUDI KASUS : PT.
ANALISIS DAN IMPLEMENTASI ALGORITMA FP-GROWTH PADA APLIKASI SMART UNTUK MENENTUKAN MARKET BASKET ANALYSIS PADA USAHA RETAIL (STUDI KASUS : PT.X) ANALYSIS AND IMPLEMENTATION OF FP-GROWTH ALGORITHM IN SMART
Lebih 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 terperinciAplikasi Data Mining untuk meneliti Asosiasi Pembelian Item Barang di Supermaket dengan Metode Market Basket Analysis
Aplikasi Data Mining untuk meneliti Asosiasi Pembelian Item Barang di Supermaket dengan Metode Market Basket Analysis ANDREAS HANDOJO, GREGORIUS SATIA BUDHI, HENDRA RUSLY Jurusan Teknik Informatika Universitas
Lebih terperinciAnalisis Pola Hubungan Antara Konsumsi Listrik Dengan Temperatur dan Fitur Geografi Menggunakan Association Rule Mining
A1 Analisis Pola Hubungan Antara Konsumsi Listrik Dengan Temperatur dan Fitur Geografi Menggunakan Association Rule Mining Haris Prasetyo, Imam Mukhlash, dan Nurul Hidayat Departemen Matematika, Fakultas
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Data mining bertujuan untuk menemukan pola-pola yang valid, baru, mempunyai nilai guna, dan mudah dipahami dari data yang ada. Jenis pola yang dihasilkan ditentukan
Lebih terperinciImplementasi Data Mining Untuk Analisa Tingkat Pelanggaran Lalu Lintas Dengan Algoritma Association Rule
ISSN 2599-2081 Implementasi Data Mining Untuk Analisa Tingkat Pelanggaran Lalu Lintas Dengan Algoritma Association Rule Yera Wahda Wahdi UNIVERSITAS PUTERA BATAM e-mail : Yerawahdawahdi@vahoo.com Abstract:
Lebih terperinciBAB V IMPLEMENTASI DAN PENGUJIAN SISTEM
BAB V IMPLEMENTASI DAN PENGUJIAN SISTEM 5.1 Implementasi Sistem Setelah melakukan analisis sistem yang dilakukan pada tahap sebelumnya dan dirancang sedemikian rupa, maka dilakukan tahapan selanjutnya
Lebih 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 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 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 terperinciUKDW BAB I PENDAHULUAN
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Untuk dapat meningkatkan penjualan, pengambil keputusan / manajer toko harus dapat memperhatikan faktor-faktor yang mempengaruhi secara langsung. Salah satu
Lebih terperinciE-Journal Teknik Informatika Vol.8, No.1, April 2016
Analisa Pola Belanja Swalayan Daily Mart Untuk Menentukan Tata Letak Barang Menggunakan Algoritma FP-Growth Kezia Sumangkut (1), Arie Lumenta (2), Virginia Tulenan (3) Teknik Informatika, Universitas Sam
Lebih terperinciBAB 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 terperinciBAB 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 terperinciPENERAPAN ALGORITMA APRIORI DALAM POLA PEMINJAMAN BUKU (STUDI KASUS : PERPUSTAKAAN STIKES PRIMA JAMBI)
) PENERAPAN ALGORITMA APRIORI DALAM POLA PEMINJAMAN BUKU (STUDI KASUS : PERPUSTAKAAN ) APRIORI ALGORITHM APPLICATION IN LENDING BOOK PATTERN (CASE STUDY: LIBRARY ) Rico, Brestina Gultom STIKes Prima Jambi
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 terperinciBAB 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 terperinciModel 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 terperinciANALISIS DATA POLA PEMBELIAN KONSUMEN DENGAN ALGORITMA APRIORI PADA TRANSAKSI PENJUALAN SUPERMARKET PAMELLA YOGYAKARTA 1.
ANALISIS DATA POLA PEMBELIAN KONSUMEN DENGAN ALGORITMA APRIORI PADA TRANSAKSI PENJUALAN SUPERMARKET PAMELLA YOGYAKARTA M. Didik R. Wahyudi 1) Fusna Failasufa 2) 1) 2) Teknik Informatika FST UIN Sunan Kalijaga
Lebih 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 terperinciIMPLEMENTASI ALGORITMA APRIORI UNTUK MENGANALISA POLA PEMBELIAN PRODUK PADA DATA TRANSAKSI PENJUALAN
IMPLEMENTASI ALGORITMA APRIORI UNTUK MENGANALISA POLA PEMBELIAN PRODUK PADA DATA TRANSAKSI PENJUALAN 1 Wendi Wirasta, 2 Zaki Prasasti 1 Program Studi Teknik Informatika, STMIK LPKIA Bandung 2 Program Studi
Lebih terperinci1. 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 terperinciImplementasi Algoritme Modified-Apriori Untuk Menentukan Pola Penjualan Sebagai Strategi Penempatan Barang Dan Promo
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 10, Oktober 2018, hlm. 3829-3834 http://j-ptiik.ub.ac.id Implementasi Algoritme Modified-Apriori Untuk Menentukan
Lebih 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 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 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 terperinciPENGGUNAAN ALGORITHMA APRIORI DALAM MENGANALISA PRILAKU MAHASISWA DALAM MEMILIH MATA KULIAH ( STUDI KASUS : FKIP UPI YPTK )
PENGGUNAAN ALGORITHMA APRIORI DALAM MENGANALISA PRILAKU MAHASISWA DALAM MEMILIH MATA KULIAH ( STUDI KASUS : FKIP UPI YPTK ) SARJON DEFIT Fakultas Ilmu Komputer Universitas Putra Indonesia YPTK E-mail :
Lebih terperinciPerancangan 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 terperinci2.1 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 terperinciPENERAPAN 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 terperinciANALISIS 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 terperinciJurnal 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 terperinciIMPLEMENTASI DATA MINING MENGGUNAKAN ALGORITMA ECLAT
IMPLEMENTASI DATA MINING MENGGUNAKAN ALGORITMA ECLAT Syafina Dwi Arinda 1, Sulastri 2 1,2 Fakultas Teknologi Informasi, Universitas Stikubank Semarang e-mail: 1 syafinadwi96@gmail.com, 2 sulastri@unisbank.ac.id
Lebih 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 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 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 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 terperinciPENERAPAN 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 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 terperinci