ANALISIS KINERJA ALGORITMA FOLD-GROWTH DAN FP-GROWTH PADA PENGGALIAN POLA ASOSIASI
|
|
- Sri Yanti Hermanto
- 7 tahun lalu
- Tontonan:
Transkripsi
1 Seminar Nasional Apliasi Tenologi Informasi 26 (SNATI 26) ISSN: Yogyaarta, 7 Juni 26 ANALISIS KINERJA ALGORITMA FOLD-GROWTH DAN FP-GROWTH PADA PENGGALIAN POLA ASOSIASI Rully Soelaiman, Ni Made Arini WP Faultas Tenologi Informasi, Institut Tenologi Sepuluh Nopember (ITS), Surabaya, 6 rully@its-sby.edu ABSTRAKSI Penggalian data sangat penting untu proses pengumpulan data dan untu penyimpanan data. Di sisi lain, data mentah yang tersedia sangatlah besar sehingga analisis manual tida lagi memunginan untu menangani masalah data. Permasalahan utama dari penggalian data adalah munculnya beberapa strutur data baru yang dimasudan untu memperbaii efisiensi dari penggalian data. Dan tida satu pun dari strutur data tersebut yang mampu menangani semua masalah penggalian data. Fold-Growth merupaan salah satu dari metode penggalian pola asosiasi dengan menggunaan strutur data SOTrieIT (Support Ordered-Trie Itemset) dalam proses penggalian itemset yang frequent. SOTrieIT adalah sebuah strutur data yang dapat melauan estrasi -itemset dan 2-itemset dari semua transasi dalam basis data. Dengan menggunaan basis data transasi yang terdiri dari ode transasi, dan ode dari barang yang di beli, algoritma ini aan diproses untu menghasilan pola asosiasi. Pada penelitian ini, algoritma FOLDgrowth aan dibagi dalam empat tahapan utama yaitu, tahapan penggalian -itemset frequent dan 2-itemset frequent, tahap pemangasan item-item yang tida frequent, membangun FP-tree, dan tahapan penggalian semua itemset frequent. Berdasaran uji coba, yang melibatan dataset sinteti, dapat disimpulan bahwa secara umum durasi eseusi dan utilisasi memori Fold-Growth lebih ecil dibandingan dengan FP-Growth. Kata Kunci:, SOTrieIT, Fold-Growth, pola asosiasi, penggalian data, strutur data.. PENDAHULUAN Penggalian data merupaan upaya untu melauan estrasi pola informasi atau pengetahuan yang menari dari sejumlah besar data. Pola informasi atau pengetahuan dapat diataan menari apabila pola atau pengetahuan tersebut merupaan pola yang non-trivial, implisit, belum dietahui sebelumnya, dan bermanfaat. Dalam penggalian dan menganalisis pola asosiasi aan ditemuan atribut-atribut yang menunjuan ondisi dimana atribut-atribut tersebut sering muncul bersamaan dalam suatu data yang diberian. Penggalian pola asosiasi ini biasanya sering digunaan dalam menganalisis data transasi. Ada beberapa algoritma yang digunaan dalam upaya untu memperbaii inerja penggalian pola asosiasi tapi, algoritma-algoritma tersebut hanya mampu menangani ondisi tertentu saja dan memilii eurangan dalam ondisi lainnya. Sedangan, dalam penggalian data efetivitas dan efisiensi sangatlah diperluan. Dalam pemelitian ini aan dilauan analisis inerja algoritma dan algoritma Foldgrowth yang menggunaan strutur data SOTrieIT pada penggalian pola transasi. Definisi permasalahan, algoritma dan FPgrowth, serta strutur data SOTrieIT aan dijelasan di bagian 2. Bagian 3 aan menjelasan hasil beberapa uji coba dan analisis esperimen. Bagian 4 aan menyajian simpulan dan emunginan pengembangan. 2. METODE Di bagian ini algoritma FOLD-growth dan aan dijabaran, serta penjelasan mengenai strutur data SOTrieIT. 2. Berdasaran [3], penggalian itemset yang frequent dengan menggunaan algoritma FP-Growth aan dilauan dengan cara membangitan strutur data Tree atau disebut dengan FP-Tree. Metode FPgrowth melibatan tiga tahapan utama yaitu, (a) tahap pembangitan conditional pattern base, (b) tahap pembangitan conditional FP-tree, dan (c) tahap pencarian frequent itemset. Algoritma FPgrowth dapat dilihat pada Gambar. a) Tahap Pembangitan Conditional Pattern Base Conditional pattern base merupaan subdatabase yang berisian prefix path (himpunan item terurut yang mengawali -itemsets), dan suffix pattern (-itemsets). Misalnya, sebuah itemset yang telah terurut berdasaran support descending order {I 6, I 3, I, I 3, I 6 }, apabila I 6 merupaan suffix pattern maa, I 6, I 3, I, I 3 adalah prefix path. Pembangitan conditional pattern base didapatan melalui FP-tree yang telah dibangun berdasaran sebuah basis data transasi. b) Tahap Pembangitan Conditional FP-tree Pada tahap ini, support count untu tiap item pada setiap conditional pattern base aan dijumlahan, emudian item yang memilii jumlah support count lebih besar sama dengan min_sup aan dibangitan menjadi sebuah tree yang disebut dengan conditional FP-tree. c) Tahap Pencarian Frequent Itemset Pada tahap ini, apabila Conditional Fp-tree merupaan single path, maa aan didapatan frequent itemsets dengan melauan ombinasi item untu setiap Conditional Fp-tree. Jia buan single path maa, aan dilauan pembangitan FP- Growth secara reursif. Input: FP-tree Tree Output: R t seumpulan lengap pola frequent Method: (Tree,null) Procedure: (Tree,α) { F-3
2 Seminar Nasional Apliasi Tenologi Informasi 26 (SNATI 26) ISSN: Yogyaarta, 7 Juni 26 : if Tree mengandung single path P; 2:then untu tiap ombinasi (dinotasian β) dari node-node dalam path P do 3:bangitan pola β α dengan support = minimum support dari node-node dalam β; 4:else untu tiap ai dalam header dari Tree do { 5:bangitan pola 6:bangun β= a i α dengan 7:if support = a i.support Tree β=ø 8:then panggil (Tree,β) } } Gambar. Algoritma 2.2 Algoritma FOLD-Growth merupaan hasil gabungan dari algoritma FOLDARM dan FP- Growth. Pada algoritma FOLD-growth ini, diharapan dapat menggabungan euntungan dari algoritma FOLDARM yang memilii inerja cepat pada saat uuran itemset frequent masimum ( max ) adalah ecil atau max dengan euntungan dari algoritma FP-Growth yang memilii inerja yang cepat pada saat max >. Algoritma FOLD-growth ditunjuan pada gambar 2. Dalam algoritma FOLD-growth ini dibagi menjadi empat tahapan utama yaitu (a) penggalian L dan dengan menggunaan SOTrieIT, (b) L 2 pemangasan item-item yang tida frequent, (c) membangun FP-tree menggunaan transasitransasi yang telah dipangas dan, (d) penggalian itemset frequent dengan algoritma. : Menggunaan SOTrie untu menemuan dan L 2 dengan cepat 2: if L = L2 = then 3: algoritma dihentian 4: end if 5: for transaction T D do 6: Hilangan item yang tida memberian ontribusi pada L dimana > 2, menggunaan L dan L2 7: Urutan item berdasaran support terbesar 8: Bangun/Ubah FP-tree dengan T yang telah dipangas dan diurutan 9: end for : Jalanan algoritma pada FPtree yang dibangun Gambar 2. Algoritma Tahap Penggalian L dan L dengan Menggunaan SOTrieIT 2 Pada tahap ini, dilauan scan basis data sebanya satu ali untu membaca transasitransasi yang ada dalam basis data. Untu setiap transasi aan dibangitan semua emunginanemunginan -itemset dan 2-itemset yang emudian dicatat dalam SOTrieIT. Tahap Pemangasan Item-item yang Tida Frequent Dalam tahap ini, aan dilauan pemangasan pada setiap transasi yang ada dalam basis data dengan menggunaan L dan L 2. Untu setiap transasi T, pada itemset L yang terdapat dalam transasi tersebut dimana panjang lebih dari L 2, aan dilauan pengecean dengan menggunaan L dan L 2. Sehingga, untu item-item yang dianggap tida frequent aan dilauan pemangasan. Sebuah item diataan tida frequent apabila nilai support count-nya urang dari batas minimum support yang telah ditentuan oleh pengguna. Setelah dilauan pemangasan terhadap transasi T, maa item-item yang terdapat dalam transasi tersebut aan diurutan berdasaran nilai support count yang paling besar. Dengan menggunaan L dan L 2 yang didapatan melalui SOTrieIT, maa aan dihasilan Ordered Frequent Items yang telah dipangas. Tahap Pembangunan FP-tree Pada tahapan ini, aan dilauan pembangunan FP-Tree dengan menggunaan data transasi T yang telah dipangas dan diurutan berdasaran nilai support count. Dengan perolehan Frequent Items setelah dipangas dan diurutan, maa aan dibangun FP-Tree. Tahap Penggalian Itemset Frequent Setelah tahap pembangunan FP-tree selesai, dilanjutan dengan tahap penggalian itemset frequent dengan menggunaan algoritma pada FP-tree tersebut. Tabel. Basis data transasi TID Item AC 2 BC 3 ABC 4 ABCD Himpunan pola asosiasi yang ditemuan berdasaran basis data transasi pada tabel dan dengan minimum support dan minimum confidence adalah 5% dalam proses penggalian reursif di atas, dapat dilihat pada Gambar 3. Pola asosiasi {} {3} Support:.75 Confidence: Pola asosiasi {3} {} Support:.75 Confidence:.75 Pola asosiasi {2} {3} Support:.75 Confidence: Pola asosiasi {3} {2} Support:.75 Confidence:.75 Gambar 3. Pola Asosiasi berdasaran tabel 2.3 Strutur Data SOTrieIT SOTrieIT memilii dua tingatan dari nodenode Tree yang menyataan bahwa tiap node w memilii sebuah label l yang dinyataan sebagai item dan sebuah notasi j yang menyimpan nilai support count yang berhubungan. Setiap node pohon terhubung pada beberapa item yang terdapat dalam itemset I (dinotasian dengan a i I ) maa, untu wi mengacu pada node yang memilii hubungan dengan a i I. Himpunan SOTrieIT dimunginan memilii parent node yang berbeda-beda seperti w, w 2,..., w N, yang dibangun dari sebuah basis data untu menyimpan support count dari semua -itemset dan 2-itemset. Maa, digunaan node husus yang dinamaan ROOT untu menghubungan semua SOTrie bersama-sama. Hasil SOTrieIT berdasaran F-4
3 Seminar Nasional Apliasi Tenologi Informasi 26 (SNATI 26) ISSN: Yogyaarta, 7 Juni 26 basis data transasi pada tabel dapat dilihat pada Gambar 4. DA ROOT C(4) A(3) B(3) D() D() C(3) B(2) D() C(3) D() Gambar 4. Hasil SOTrieIT berdasaran Tabel 3. UJI COBA Uji coba ini meliputi uji coba ebenaran dan uji coba inerja. Semua esperimen dilauan pada sebuah PC dengan prosesor Intel Pentium 4 CPU 2.8 GHz, memori 52 MB RAM, VGA Card NVIDIA GeForce4 MX 44 dengan AGP8X. Sistem operasi yang digunaan adalah Microsoft Windows 2 Professional (5., Build 295). Kedua algoritma diimplementasian menggunaan bahasa pemprograman Java. Uji Coba Kebenaran Uji coba ebenaran dilauan untu menguji validitas sistem apliasi. Basis data transasi pada Tabel digunaan untu uji coba ini. Setelah dilauan uji coba ternyata pola yang dihasilan oleh edua algoritma sama dengan pola asosiasi dalam gambar 3 dan paper [4]. Uji Coba Kinerja Uji coba inerja dilauan untu menguji ehandalan inerja algoritma dibandingan pada sejumlah basis data transasi sinteti dari berbagai uuran dan distribusi data. Pengujian ini dilauan berdasaran dari segi ecepatan, jumlah node yang dibangun. Pengujian pertama dilauan terhadap himpunan data T25I2NKDK, yang terdiri dari. transasi dengan. item yang berbeda. Rata-rata jumlah item dalam sebuah transasi adalah 25 dan rata-rata jumlah panjang Large Itemset adalah 2. Gambar 5 menunjuan durasi eseusi dari alogritma dan untu duungan minimum.5% hingga 4%. Berdasaran grafi tersebut, selalu berjalan lebih cepat daripada. Gambar 6 menunjuan jumlah node yang dihasilan dari edua algoritma untu duungan minimum.5% hingga 4%. Berdasaran grafi tersebut, dapat dilihat bahwa algoritma menghasilan node lebih sediit dibandingan FPgrowth (%) Fold-Growth Gambar 5. Durasi eseusi T25I2NKDK (min_support.5%-4%) DB (%) Fold-Growth FP-Growth Gambar 6. Jumlah node T25I2NKDK (min_support.5%-4%) Hal ini diarenaan algoritma telah melalui proses pemangasan terlebih dahulu dan menjadi lebih efisien dalam hal penyimpanan data. Pengujian edua dilauan terhadap himpunan data T25I2N75DK, yang terdiri dari transasi dengan 75 item yang berbeda. Ratarata jumlah item dalam sebuah transasi adalah 25 dan rata-rata jumlah panjang Large Itemset adalah 2. Gambar 7 menunjuan durasi eseusi dari edua algoritma untu Dataset T25I2N75DK untu minimum support 25% hingga 5%. Berdasaran grafi tersebut, selalu berjalan lebih cepat daripada. Gambar 8 menunjuan jumlah node yang dihasilan dari edua algoritma untu data set T25I2N75DK dengan minimum support 25% hingga 5%. Berdasaran grafi tersebut, dapat dilihat bahwa algoritma menghasilan node lebih sediit dibandingan. Hal ini diarenaan algoritma telah melalui proses pemangasan terlebih dahulu dan menjadi lebih efisien dalam hal penyimpanan data. Pengujian etiga dilauan terhadap himpunan data T25I2N75D, yang terdiri dari transasi dengan 75 item yang berbeda. Ratarata jumlah item dalam sebuah transasi adalah 25 dan rata-rata jumlah jumlah panjang Large Itemset yang ditemuan adalah 2. Gambar 9 menunjuan durasi eseusi dari edua algoritma untu Dataset T25I2N75D untu minimum support 35% hingga 8%. Berdasaran grafi tersebut, selalu berjalan lebih cepat daripada. Gambar menunjuan jumlah node yang dihasilan dari edua algoritma untu data set F-5
4 Seminar Nasional Apliasi Tenologi Informasi 26 (SNATI 26) ISSN: Yogyaarta, 7 Juni 26 T25I2N75D dengan minimum support 35% hingga 8%. Berdasaran grafi tersebut, dapat dilihat bahwa algoritma menghasilan node lebih sediit dibandingan. Pengujian eempat dilauan terhadap himpunan data T2I2N32KD64K, yang terdiri dari 64. transasi dengan 32. item yang berbeda. Rata-rata jumlah item dalam sebuah transasi adalah 2 dan rata-rata jumlah jumlah panjang Large Itemset yang ditemuan adalah 2. time (ms) D2A Minimum Support FOLD-growth FP-Growth Apriori Gambar 7. Durasi eseusi T25I2N75DK (min_support 25%-5%) D2B Minimum Support FOLD-growth FP-Growth Gambar 8. Jumlah node T25I2N75DK (min_support 25%-5%) time (ms) D3A Supprt threshold FOLDgrowth FPgrowth.75.8 Gambar 9. Durasi eseusi T25I2N75D (min_support 35%-8%) Gambar menunjuan durasi eseusi dari edua algoritma untu Dataset T2I2N32KD64K untu minimum support 25% hingga 5%. Berdasaran grafi tersebut, selalu berjalan lebih cepat daripada. Gambar 2 menunjuan jumlah node yang dihasilan dari edua algoritma untu data set T2I2N32KD64K dengan minimum support % hingga 9%. Berdasaran grafi tersebut, dapat dilihat bahwa algoritma menghasilan node lebih sediit dibandingan D3B Support threshold FOLDgrowth FPgrowth.75.8 Gambar. Jumlah node T25I2N75D (min_support 35%-8%) D4A (%) Gambar. Durasi eseusi T2I2N32KD64K (min_support %-9%) D4B support (%) Gambar 2. Jumlah node T2I2N32KD64K (min_support %-9%) Mushroom Apriori Gambar 3. Durasi eseusi Mushroom (min_support %-2%) Pengujian elima dilauan terhadap himpunan data Mushroom, yang merupaan basis data transasi yang diperoleh melalui FIMI Repository. Dataset ini terdiri dari urang lebih 9 F-6
5 Seminar Nasional Apliasi Tenologi Informasi 26 (SNATI 26) ISSN: Yogyaarta, 7 Juni 26 transasi dengan rata-rata panjang transasi adalah 25 item. Gambar 3 menunjuan durasi eseusi dari edua algoritma untu Dataset Mushroom untu minimum support 2% hingga %. Berdasaran grafi tersebut, selalu berjalan lebih cepat daripada. Gambar 4 menunjuan jumlah node yang dihasilan dari edua algoritma untu data set Mushroom dengan minimum support 2% hingga %. Berdasaran grafi tersebut, dapat dilihat bahwa algoritma menghasilan node yang sama dengan. Pengujian eenam dilauan terhadap himpunan data CSC, yang merupaan basis data transasi yang diperoleh melalui ARMiner Project. Dataset ini terdiri dari urang lebih 3 transasi dengan rata-rata panjang transasi adalah 25 item. Gambar 5 menunjuan durasi eseusi dari edua algoritma untu Dataset CSC untu minimum support % hingga %. Berdasaran grafi tersebut, selalu berjalan lebih cepat daripada. Mushroom menggunaan dataset asli (didapatan melalui FIMI Repository), ternyata dihasilan sejumlah itemset frequent yang bervariasi. Jumlah dan panjang dari itemset frequent yang dihasilan bergantung pada uuran datasets dan juga bergantung pada nilai minimum support yang ditentuan oleh user. Pengujian pertama, untu dataset T25I2NKDK (D) dengan nilai minimum support adalah.5 % dan % maa, untu algoritma FOLD-growth,, dan Apriori aan ditemuan frequent itemset seperti pada gambar CSC Gambar 6. Jumlah CSC (min_support %-%) 4 2 Frequent Itemsets found in D No. of Frequent -itemsets Gambar 4. Jumlah node Mushroom (min_support %-2%) CSC Gambar 7. Frequent Itemset yang Ditemuan di Dataset D (min_support.5%, %) Apriori Gambar 5. Durasi eseusi CSC (min_support %-%) Gambar 6 menunjuan jumlah node yang dihasilan dari edua algoritma untu data set CSC dengan minimum support % hingga %. Berdasaran grafi tersebut, dapat dilihat bahwa algoritma menghasilan node lebih sediit dibandingan. Hal ini diarenaan algoritma telah melalui proses pemangasan terlebih dahulu dan menjadi lebih efisien dalam hal penyimpanan data. Uji Coba Frequent Itemset Dengan Tertentu Berdasaran dengan hasil pengujian dengan menggunaan dataset sinteti mapun dengan No. of Frequent -Itemsets Frequent Itemsets Found in D Gambar 8. Frequent Itemset yang Ditemuan di Dataset D2 (min_support 25%, 35%, dan 5%) Pengujian edua, untu dataset T25I2N75DK (D2) dengan minimum support adalah 25 %, 35 %, dan 5 % maa, untu algoritma FOLD-growth,, dan Apriori aan ditemuan frequent itemset seperti pada gambar 8. Pengujian etiga, untu dataset T25I2N75D (D3) dengan minimum support adalah 2 %, 25 %, dan 3 % maa, untu algoritma FOLD-growth,, dan Apriori aan ditemuan frequent itemset seperti pada gambar 9. F-7
6 Seminar Nasional Apliasi Tenologi Informasi 26 (SNATI 26) ISSN: Yogyaarta, 7 Juni 26 Pengujian eempat, untu dataset T2I2N32KD64K (D4) dengan minimum support adalah.25%, dan.% maa, untu algoritma FOLD-growth,, dan Apriori aan ditemuan frequent itemset seperti pada gambar 2. Pengujian elima, untu dataset Mushroom dengan minimum support adalah 3%, 45% dan 65% maa, untu algoritma FOLD-growth, FPgrowth, dan Apriori aan ditemuan frequent itemset seperti pada gambar 2. No. of Frequent -Itemsets Frequent Itemsets Found in D Gambar 9. Frequent Itemset yang Ditemuan di Dataset D3 (min_support 2 %, 25 %, dan 3 %) No. of Frequent -itemsets Frequents Itemsets found in D Gambar 2. Frequent Itemset yang Ditemuan di Dataset D4 (min_support. 25 %, dan. %) No. of Frequent -Itemsets Frequent Itemsets Found in Mushroom Gambar 2. Frequent Itemset yang Ditemuan di Dataset Mushroom (min_support 3 %, 45%, dan 65 %) Pengujian eenam, untu dataset CSC dengan minimum support adalah.5 %, 2.5 % dan 5 % maa, untu algoritma FOLD-growth,, dan Apriori aan ditemuan frequent itemset seperti pada gambar 22. Berdasaran dengan hasil pengujian dengan menggunaan dataset sinteti mapun dengan menggunaan dataset asli (didapatan melalui FIMI Repository dan ARMiner Project), ternyata dihasilan sejumlah itemset frequent yang 5 bervariasi. Jumlah dan panjang dari itemset frequent yang dihasilan bergantung pada uuran datasets dan juga bergantung pada nilai minimum support yang ditentuan oleh user. No. of Frequent -Itemsets Frequent Itemsets found in CSC Gambar 22. Frequent Itemset yang Ditemuan di Dataset CSC (min_support.5%, 2.5% dan 5%) 4. SIMPULAN Dari hasil uji coba, beberapa simpulan yang bisa diambil adalah:. berhasil diimplementasian. 2. Durasi eseusi, salabilitas, reliabilitas, dan utilisasi memori lebih bai daripada. 3. Jumlah frequent itemsets mulanya meningat secara divergen seiring meningatnya panjang pola yang telah diperoleh, lalu di titi ulminasi jumlah pola aan menurun arena mengalami onvergensi pembentuan pola masimal. 4. Duungan minimum berbanding terbali dengan panjang masimum pola, dengan jumlah pola untu panjang pola yang sama, dan dengan total jumlah pola yang diperoleh secara esponensial. 5. Semain besar rata-rata jumlah item dalam suatu transasi, maa semain besar durasi eseusi untu duungan minimum yang sama dan semain dini onvergensi untu pembentuan pola masimal. DAFTAR PUSTAKA [] Goethals, B., Survey on Frequent Pattern Mining, HIIT Basic Research Unit, Department of Computer Science, University of Helsini, Finland, 23. [2] Han, J., Micheline, K., Data Mining: Concepts and Techniques, Simon Fraser University, Morgan Kaufmann Publisher, 2. [3] Han, J., Pie, J., Yin, Y., Mining Frequent Patterns without Candidate Generation, School of Computing Science, Simon Fraser University, 2. [4] Woon, Y.K., Ng, W.K., Lim, E.P, A Support- Ordered Trie for Fast Frequent Itemset Discovery, IEEE Transactions on Knowledge and Data Engineering, Vol. 6, No. 7, pg , 24. [5] Woon, Y.K., Ng, W.K., Das, A., Fast Online Dynamic Association Rule Mining, Proc. Second Int l Conf. Web Information System Eng., pp , 2. [6] Zhao, Q., Bhowmic, S.S., Association Rule Mining: A Survey, Nanyang Technological University, Singapore, 23. F-8
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 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 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 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 terperinciImplementasi Algoritma Pencarian k Jalur Sederhana Terpendek dalam Graf
JURNAL TEKNIK POMITS Vol. 2, No., (203) ISSN: 2337-3539 (230-927 Print) Implementasi Algoritma Pencarian Jalur Sederhana Terpende dalam Graf Anggaara Hendra N., Yudhi Purwananto, dan Rully Soelaiman Jurusan
Lebih terperinciPENERAPAN ALGORITMA APRIORI UNTUK MEMPEROLEH ASSOCIATION RULE ANTAR ITEMSET BERDASARKAN PERIODE PENJUALAN DALAM SATU TRANSAKSI
PENERAPAN ALGORITMA APRIORI UNTUK MEMPEROLEH ASSOCIATION RULE ANTAR ITEMSET BERDASARKAN PERIODE PENJUALAN DALAM SATU TRANSAKSI Devi Fitrianah, Ade Hodijah Program Studi Teni Informatia, Faultas Ilmu Komputer,
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 terperinciIMPLEMENTASI ALGORITMA FOLD-GROWTH PADA PEMODELAN POLA PEMBELIAN BARANG SEBAGAI PENDUKUNG PENENTUAN LETAK BARANG
IMPLEMENTASI ALGORITMA FOLD-GROWTH PADA PEMODELAN POLA PEMBELIAN BARANG SEBAGAI PENDUKUNG PENENTUAN LETAK BARANG Bq Desy Hardianti 1, Mira Kania Sabariah, ST., MT. 2, Alfian Gozali Akbar, ST. MT. 3 1,2,3
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 terperinciPENCARIAN JALUR TERPENDEK MENGGUNAKAN ALGORITMA SEMUT
Seminar Nasional Apliasi Tenologi Informasi 2007 (SNATI 2007) ISSN: 1907-5022 Yogyaarta, 16 Juni 2007 PENCARIAN JALUR TERPENDEK MENGGUNAKAN ALGORITMA SEMUT I ing Mutahiroh, Indrato, Taufiq Hidayat Laboratorium
Lebih terperinciBAB 3 PATTERN MATCHING BERBASIS JARAK EUCLID, PATTERN MATCHING BERBASIS JARAK MAHALANOBIS, DAN JARINGAN SYARAF TIRUAN BERBASIS PROPAGASI BALIK
BAB 3 PATTERN MATCHING BERBASIS JARAK EUCLID, PATTERN MATCHING BERBASIS JARAK MAHALANOBIS, DAN JARINGAN SYARAF TIRUAN BERBASIS PROPAGASI BALIK Proses pengenalan dilauan dengan beberapa metode. Pertama
Lebih 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 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 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 terperinciPENGGALIAN TOP-K CLOSED FREQUENT ITEMSETS BERBASIS ALGORITMA PEMETAAN TRANSAKSI
Program Studi MMT-ITS, Surabaya 2 Agustus 28 PENGGALIAN TOP-K CLOSED FREQUENT ITEMSETS BERBASIS ALGORITMA PEMETAAN TRANSAKSI Ngurah Agus Sanjaya ER dan Arif Djunaidy Program Magister Bidang Keahlian Teknik
Lebih 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 terperincikhazanah Sistem Klasifikasi Tipe Kepribadian dan Penerimaan Teman Sebaya Menggunakan Jaringan Syaraf Tiruan Backpropagation informatika
hazanah informatia Jurnal Ilmu Komputer dan Informatia Sistem Klasifiasi Tipe Kepribadian dan Penerimaan Teman Sebaya Menggunaan Jaringan Syaraf Tiruan Bacpropagation Yusuf Dwi Santoso *, Suhartono Departemen
Lebih terperincikhazanah Sistem Klasifikasi Tipe Kepribadian dan Penerimaan Teman Sebaya Menggunakan Jaringan Syaraf Tiruan Backpropagation informatika
hazanah informatia Jurnal Ilmu Komputer dan Informatia Sistem Klasifiasi Tipe Kepribadian dan Penerimaan Teman Sebaya Menggunaan Jaringan Syaraf Tiruan Bacpropagation Yusuf Dwi Santoso *, Suhartono Program
Lebih terperinciBAB 4 HASIL DAN PEMBAHASAN
BAB 4 HASIL DAN PEMBAHASAN 4.1 Hasil Pengolahan Data Data yang telah berhasil diumpulan oleh penulis di BB BIOGEN diperoleh hasil bobot biji edelai dengan jumlah varietas yang aan diuji terdiri dari 15
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 terperinciFREQUENT ITEMSET MINING MENGGUNAKAN ALGORITMA PIE
FREQUENT ITEMSET MINING MENGGUNAKAN ALGORITMA PIE Suhatati Tjandra Dosen Teknik Informatika Sekolah Tinggi Teknik Surabaya e-mail: tati@stts.edu ABSTRAK Frequent itemset mining adalah algoritma yang digunakan
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN A. Tempat dan Watu Penelitian Penelitian ini dilauan di Jurusan Matematia Faultas Matematia dan Ilmu Pengetahuan Alam Universitas Lampung. Watu penelitian dilauan selama semester
Lebih terperinciBEBERAPA SIFAT HIMPUNAN KRITIS PADA PELABELAN AJAIB GRAF BANANA TREE. Triyani dan Irham Taufiq Universitas Jenderal Soedirman
JMP : Volume 4 Nomor 2, Desember 2012, hal. 271-278 BEBERAPA SIFAT HIMPUNAN KRITIS PADA PELABELAN AJAIB GRAF BANANA TREE Triyani dan Irham Taufiq Universitas Jenderal Soedirman trianisr@yahoo.com.au ABSTRACT.
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belaang Masalah untu mencari jalur terpende di dalam graf merupaan salah satu masalah optimisasi. Graf yang digunaan dalam pencarian jalur terpende adalah graf yang setiap sisinya
Lebih 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 TOP-K FREQUENT CLOSED CONSTRAINED GRADIENT ITEMSETS TANPA BATASAN MINIMUM SUPPORT PADA BASIS DATA RETAIL
PENGGALIAN TOP-K FREQUENT CLOSED CONSTRAINED GRADIENT ITEMSETS TANPA BATASAN MINIMUM SUPPORT PADA BASIS DATA RETAIL Dhiani Tresna Absari 1), Arif Djunaidy 2) Fakultas Teknologi Informasi Institut Teknologi
Lebih terperinciA 8 Penggunaan Algoritma T-Apriori* Untuk Pencarian Association Rule Pada Data Spatio-Temporal
A 8 Penggunaan Algoritma T-Apriori* Untu Pencarian Association Rule Pada Data Spatio-Temporal Oleh: Imam Muhlash (Jurusan Matematia FMIPA ITS) Abstra Seiring dengan berembang pesatnya apliasi basisdata,
Lebih terperinciCust. 1 : milk, bread, cereal. Cust. 2 : milk, bread, Sugar, eggs. Cust. 3 : milk, bread, butter
Mining Association Rules in Large Databases S1 Teknik Informatika Fakultas Teknologi Informasi Universitas Kristen Maranatha Agenda Pendahuluan Association Rule Mining Market Basket Analysis Basic Concept
Lebih terperinciPEMANFAATAN METODE HEURISTIK DALAM PENCARIAN JALUR TERPENDEK DENGAN ALGORITMA SEMUT DAN ALGORITMA GENETIKA
PEMANFAATAN METODE HEURISTIK DALAM PENCARIAN JALUR TERPENDEK DENGAN ALGORITMA SEMUT DAN ALGORITMA GENETIKA Iing Mutahiroh, Fajar Saptono, Nur Hasanah, Romi Wiryadinata Laboratorium Pemrograman dan Informatia
Lebih terperinciAPLIKASI PREDIKSI HARGA SAHAM MENGGUNAKAN JARINGAN SYARAF RADIAL BASIS FUNCTION DENGAN METODE PEMBELAJARAN HYBRID
APLIKASI PREDIKSI HARGA SAHAM MENGGUNAKAN JARINGAN SYARAF RADIAL BASIS FUNCTION DENGAN METODE PEMBELAJARAN HYBRID Ferry Tan, Giovani Gracianti, Susanti, Steven, Samuel Luas Jurusan Teni Informatia, Faultas
Lebih terperinciANALISIS KINERJA ALGORITMA PREFIXSPAN DAN APRIORIALL PADA PENGGALIAN POLA SEKUENSIAL
ANALISIS KINERJA ALGORITMA PREFIXSPAN DAN APRIORIALL PADA PENGGALIAN POLA SEKUENSIAL Rully Soelaiman, Dhany Saputra Fakultas Teknologi Informasi, Institut Teknologi Sepuluh Nopember (ITS), Surabaya, 60111
Lebih terperinciPENGGALIAN FREQUENT CLOSED ITEMSETS DENGAN MULTIPLE MINIMUM SUPPORT PADA BASISDATA RETAIL
Vol. 5, No. 4, Juli 010 ISSN 016-0544 PENGGALIAN FREQUENT CLOSED ITEMSETS DENGAN MULTIPLE MINIMUM SUPPORT PADA BASISDATA RETAIL Endah Purwanti Program Studi Sistem Informasi, Fakultas Sains dan Teknologi,
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 terperinciMODEL REGRESI INTERVAL DENGAN NEURAL FUZZY UNTUK MEMPREDIKSI TAGIHAN AIR PDAM
MODEL REGRESI INTERVAL DENGAN NEURAL FUZZY UNTUK MEMPREDIKSI TAGIHAN AIR PDAM 1,2 Faultas MIPA, Universitas Tanjungpura e-mail: csuhery@sisom.untan.ac.id, email: dedi.triyanto@sisom.untan.ac.id Abstract
Lebih terperinciPEBANDINGAN METODE ROBUST MCD-LMS, MCD-LTS, MVE-LMS, DAN MVE-LTS DALAM ANALISIS REGRESI KOMPONEN UTAMA
PEBANDINGAN METODE ROBUST MCD-LMS, MCD-LTS, MVE-LMS, DAN MVE-LTS DALAM ANALISIS REGRESI KOMPONEN UTAMA Sear Wulandari, Nur Salam, dan Dewi Anggraini Program Studi Matematia Universitas Lambung Mangurat
Lebih terperinciOptimasi Non-Linier. Metode Numeris
Optimasi Non-inier Metode Numeris Pendahuluan Pembahasan optimasi non-linier sebelumnya analitis: Pertama-tama mencari titi-titi nilai optimal Kemudian, mencari nilai optimal dari fungsi tujuan berdasaran
Lebih terperinciKata Kunci : Multipath, LOS, N-LOS, Network Analyzer, IFFT, PDP. 1. Pendahuluan
Statisti Respon Kanal Radio Dalam Ruang Pada Freuensi,6 GHz Christophorus Triaji I, Gamantyo Hendrantoro, Puji Handayani Institut Tenologi Sepuluh opember, Faultas Tenologi Industri, Jurusan Teni Eletro
Lebih terperinciPenggunaan Induksi Matematika untuk Mengubah Deterministic Finite Automata Menjadi Ekspresi Reguler
Penggunaan Indusi Matematia untu Mengubah Deterministic Finite Automata Menjadi Espresi Reguler Husni Munaya - 353022 Program Studi Teni Informatia Seolah Teni Eletro dan Informatia Institut Tenologi Bandung,
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN PENENTU NILAI INTERVAL KADAR LEMAK TUBUH MENGGUNAKAN REGRESI INTERVAL DENGAN NEURAL FUZZY
SISTEM PENDUKUNG KEPUTUSAN PENENTU NILAI INTERVAL KADAR LEMAK TUBUH MENGGUNAKAN REGRESI INTERVAL DENGAN NEURAL FUZZY Tedy Rismawan dan Sri Kusumadewi Laboratorium Komputasi dan Sistem Cerdas, Jurusan Teni
Lebih terperinciPERBANDINGAN PERFORMANSI ALGORITMA GENETIKA DAN ALGORITMA SEMUT UNTUK PENYELESAIAN SHORTEST PATH PROBLEM
Seminar Nasional Sistem dan Informatia 2007; Bali, 16 November 2007 PERBANDINGAN PERFORMANSI ALGORITMA GENETIKA DAN ALGORITMA SEMUT UNTUK PENYELESAIAN SHORTEST PATH PROBLEM Fajar Saptono 1) I ing Mutahiroh
Lebih 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 terperinciModifikasi ACO untuk Penentuan Rute Terpendek ke Kabupaten/Kota di Jawa
187 Modifiasi ACO untu Penentuan Rute Terpende e Kabupaten/Kota di Jawa Ahmad Jufri, Sunaryo, dan Purnomo Budi Santoso Abstract This research focused on modification ACO algorithm. The purpose of this
Lebih terperinciBAB II KONSEP DAN DEFINISI
6 BAB II KONSEP DAN DEFINISI Pada bab ini aan dijelasan onsep dan definisi-definisi yang digunaan dalam metode pada penelitian ini. 2.1 DATA TRANSAKSI isalan = { 1, 2, 3,..., } adalah himpunan semua produ
Lebih terperinciIMPLEMENTASI DAN ANALISIS ALGORITMA PENCARIAN RUTE TERPENDEK DI KOTA SURABAYA
94 IMPLEMENTASI DAN ANALISIS ALGORITMA PENCARIAN RUTE TERPENDEK DI KOTA SURABAYA Yudhi Purwananto 1, Diana Purwitasari 2, Agung Wahyu Wibowo Jurusan Teni Informatia, Institut Tenologi Sepuluh Nopember
Lebih terperinciBAB II LANDASAN TEORI. Graf adalah kumpulan simpul (nodes) yang dihubungkan satu sama lain
8 BAB II LANDASAN TEORI 2.1 Teori Graf 2.1.1 Definisi Graf Graf adalah umpulan simpul (nodes) yang dihubungan satu sama lain melalui sisi/busur (edges) (Zaaria, 2006). Suatu Graf G terdiri dari dua himpunan
Lebih terperinciPENGEMBANGAN APLIKASI PENGGALIAN TOP-K FREQUENT CLOSED CONSTRAINED GRADIENT ITEMSETS PADA BASIS DATA RETAIL
PENGEMBANGAN APLIKASI PENGGALIAN TOP-K FREQUENT CLOSED CONSTRAINED GRADIENT ITEMSETS PADA BASIS DATA RETAIL Dhiani Tresna Absari dan Arif Djunaidy Fakultas Teknologi Informasi, Institut Teknologi Sepuluh
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 terperinciIMPLEMENTASI ALGORITMA-ALGORITMA ASSOCIATION RULES SEBAGAI BAGIAN DARI PENGEMBANGAN DATA MINING ALGORITHMS COLLECTION
IMPLEMENTASI ALGORITMA-ALGORITMA ASSOCIATION RULES SEBAGAI BAGIAN DARI PENGEMBANGAN DATA MINING ALGORITHMS COLLECTION Yova Ruldeviyani 1), Muhammad Fahrian 2) Fakultas Ilmu Komputer - Universitas Indonesia
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 terperinciPengaruh Proses Stemming Pada Kinerja Analisa Sentimen Pada Review Buku
Jurnal Hasil Penelitian LPPM Untag Surabaya Januari 2018, Vol. 03, No. 01, hal 55-59 jurnal.untag-sby.ac.id/index.php/jhp17 E-ISSN : 2502-8308 P-ISSN : 2579-7980 Pengaruh Proses Stemming Pada Kinerja Analisa
Lebih terperinciPENETAPAN POLA KONSUMEN MENGGUNAKAN ALGORITMA FREQUENT PATTERN GROWTH PADA CROSS MARKET ANALYSIS
PENETAPAN POLA KONSUMEN MENGGUNAKAN ALGORITMA FREQUENT PATTERN GROWTH PADA CROSS MARKET ANALYSIS Bain Khusnul Khotimah 1), Andharini Dwi Cahyani 2), Nurwahyu Alamsyah 3) 1,2,3 Jurusan Teknik Informatika,
Lebih terperinciRuang Barisan Orlicz Selisih Dengan Fungsional Aditif Dan Kontinunya
J. Math. and Its Appl. ISSN: 1829-605X Vol. 2, No. 1, May. 2005, 37 45 Ruang Barisan Orlicz Selisih Dengan Fungsional Aditif Dan Kontinunya Sadjidon Jurusan Matematia Institut Tenologi Sepuluh Nopember,
Lebih terperinciEstimasi Harga Saham Dengan Implementasi Metode Kalman Filter
Estimasi Harga Saham Dengan Implementasi Metode Kalman Filter eguh Herlambang 1, Denis Fidita 2, Puspandam Katias 2 1 Program Studi Sistem Informasi Universitas Nahdlatul Ulama Surabaya Unusa Kampus B
Lebih terperinciKLASIFIKASI DATA MENGGUNAKAN JST BACKPROPAGATION MOMENTUM DENGAN ADAPTIVE LEARNING RATE
KLASIFIKASI DATA MENGGUNAKAN JST BACKPROPAGATION MOMENTUM DENGAN ADAPTIVE LEARNING RATE Warih Maharani Faultas Teni Informatia, Institut Tenologi Telom Jl. Teleomuniasi No.1 Bandung 40286 Telp. (022) 7564108
Lebih terperinciSISTEM REKOMENDASI PEMESANAN SPAREPART DENGAN ALGORITMA FP-GROWTH (STUDI KASUS PT. ROSALIA SURAKARTA)
SISTEM REKOMENDASI PEMESANAN SPAREPART DENGAN ALGORITMA FP-GROWTH (STUDI KASUS PT. ROSALIA SURAKARTA) Nur Rohman Ardani 1), Nur Fitrina 2) 1) Magister Teknik Informatika STMIK AMIKOM Yogyakarta 2) Teknik
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1. Statisti Inferensia Tujuan statisti pada dasarnya adalah melauan desripsi terhadap data sampel, emudian melauan inferensi terhadap data populasi berdasaran pada informasi yang
Lebih 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 terperinciMENGHITUNG PELUANG PERSEBARAN TRUMP DALAM PERMAINAN CONTRACT BRIDGE
MENGHITUNG PELUANG PERSEBARAN TRUMP DALAM PERMAINAN CONTRACT BRIDGE Desfrianta Salmon Barus - 350807 Jurusan Teni Informatia, Institut Tenologi Bandung Bandung e-mail: if807@students.itb.ac.id ABSTRAK
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Pengertian Data, Informasi dan Knowledge Data merupakan fakta yang dikumpulkan, disimpan, dan diproses boleh sebuah sistem informasi. Selain deskripsi dari sebuah fakta, data
Lebih terperinciPENENTUAN FAKTOR KALIBRASI ACCELEROMETER MMA7260Q PADA KETIGA SUMBU
PENENTUAN FAKTOR KALIBRASI ACCELEROMETER MMA7260Q PADA KETIGA SUMBU Wahyudi 1, Adhi Susanto 2, Sasongo P. Hadi 2, Wahyu Widada 3 1 Jurusan Teni Eletro, Faultas Teni, Universitas Diponegoro, Tembalang,
Lebih terperinciPELABELAN FUZZY PADA GRAF. Siti Rahmah Nurshiami, Suroto, dan Fajar Hoeruddin Universitas Jenderal Soedirman.
JMP : Volume 6 Nomor, Juni 04, hal. - PELABELAN FUZZY PADA GRAF Siti Rahmah Nurshiami, Suroto, dan Fajar Hoeruddin Universitas Jenderal Soedirman email : oeytea0@gmail.com ABSTRACT. This paper discusses
Lebih terperinciJournal of Informatics and Telecommunication Engineering. Analisa Algoritma Data Mining Eclat Dan Hui Miner
JITE, Vol. 1(1) Juli (2017) p-issn : 2549-6247 e-issn : 2549-6255 Journal of Informatics and Telecommunication Engineering Available online http://ojs.uma.ac.id/index.php/jite Analisa Algoritma Data Mining
Lebih terperinciUJI BARTLETT. Elty Sarvia, ST., MT. Fakultas Teknik Jurusan Teknik Industri Universitas Kristen Maranatha Bandung. Scheffe Multiple Contrast Procedure
8/9/01 UJI TUKEY UJI DUNCAN UJI BARTLETT UJI COCHRAN UJI DUNNET Elty Sarvia, ST., MT. Faultas Teni Jurusan Teni Industri Universitas Kristen Maranatha Bandung Macam Metode Post Hoc Analysis The Fisher
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belaang Model Loglinier adalah salah satu asus husus dari general linier model untu data yang berdistribusi poisson. Model loglinier juga disebut sebagai suatu model statisti
Lebih 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 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 terperinciBAB 3 LANGKAH PEMECAHAN MASALAH
BAB 3 LANGKAH PEMECAHAN MASALAH 3.1 Penetapan Kriteria Optimasi Gambar 3.1 Bagan Penetapan Kriteria Optimasi Sumber: Peneliti Determinasi Kinerja Operasional BLU Transjaarta Busway Di tahap ini, peneliti
Lebih 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 3 PRINSIP SANGKAR BURUNG MERPATI
BAB 3 PRINSIP SANGKAR BURUNG MERPATI 3. Pengertian Prinsip Sangar Burung Merpati Sebagai ilustrasi ita misalan terdapat 3 eor burung merpati dan 2 sangar burung merpati. Terdapat beberapa emunginan bagaimana
Lebih terperinciPenentuan Nilai Ekivalensi Mobil Penumpang Pada Ruas Jalan Perkotaan Menggunakan Metode Time Headway
Rea Racana Jurnal Online Institut Tenologi Nasional Teni Sipil Itenas No.x Vol. Xx Agustus 2015 Penentuan Nilai Eivalensi Mobil Penumpang Pada Ruas Jalan Perotaan Menggunaan Metode Time Headway ENDI WIRYANA
Lebih terperinciEstimasi Inflasi Wilayah Kerja KPwBI Malang Menggunakan ARIMA-Filter Kalman dan VAR-Filter Kalman
JURNAL SAINS DAN SENI ITS Vol. 5, No.1, (16) 337-35 (31-98X Print) A-1 Estimasi Inflasi Wilayah Kerja KPwBI Malang Menggunaan ARIMA-Filter Kalman dan VAR-Filter Kalman Popy Febritasari, Erna Apriliani
Lebih terperinciMakalah Seminar Tugas Akhir. Aplikasi Kendali Adaptif pada Pengendalian Plant Pengatur Suhu dengan Self Tuning Regulator (STR)
Maalah Seminar ugas Ahir Apliasi Kendali Adaptif pada Pengendalian Plant Pengatur Suhu dengan Self uning Regulator (SR) Oleh : Muhammad Fitriyanto e-mail : D_3_N2@yahoo.com Maalah Seminar ugas Ahir Apliasi
Lebih terperinciBAB IV Solusi Numerik
BAB IV Solusi Numeri 4. Algoritma Genetia Algoritma Genetia (AG) [2] merupaan teni pencarian stoasti yang berdasaran pada meanisme selesi alam dan prinsip penurunan genetia. Algoritma genetia ditemuan
Lebih terperinciANALISA STATIK DAN DINAMIK GEDUNG BERTINGKAT BANYAK AKIBAT GEMPA BERDASARKAN SNI DENGAN VARIASI JUMLAH TINGKAT
Jurnal Sipil Stati Vol. No. Agustus (-) ISSN: - ANALISA STATIK DAN DINAMIK GEDUNG BERTINGKAT BANYAK AKIBAT GEMPA BERDASARKAN SNI - DENGAN VARIASI JUMLAH TINGKAT Revie Orchidentus Francies Wantalangie Jorry
Lebih terperinciAnalisis Market Basket Dengan Algoritma Apriori dan FP-Growth
26 JURNAL GENERIC - Erwin. Analisis Market Basket Dengan Algoritma Apriori dan FP-Growth Erwin *, Jurusan Teknik Informatika, Fakultas Ilmu Komputer, Universitas Sriwijaya Abstrak Algoritma yang umum digunakan
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 terperinciOSN 2014 Matematika SMA/MA
Soal 5. Suatu barisan bilangan asli a 1, a 2, a 3,... memenuhi a + a l = a m + a n untu setiap bilangan asli, l, m, n dengan l = mn. Jia m membagi n, butian bahwa a m a n. Solusi. Andaian terdapat bilangan
Lebih terperinciBAB IV IMPLEMENTASI DAN PENGUJIAN
BAB IV IMPLEMENTASI DAN PENGUJIAN 4.1 Implementasi Apliasi Pada tahap implementasi ini merupaan penerapan apliasi dari hasil perancangan sistem yang ada untu mencapai suatu tujuan yang diinginan. Implementasimelasanaan
Lebih terperinciANALISIS KETERKAITAN DATA TRANSAKSI PENJUALAN BUKU MENGGUNAKAN ALGORITMA APRIORI DAN ALGORITMA CENTROID LINKAGE HIERARCHICAL METHOD (CLHM)
ANALISIS KETERKAITAN DATA TRANSAKSI PENJUALAN BUKU MENGGUNAKAN ALGORITMA APRIORI DAN ALGORITMA CENTROID LINKAGE HIERARCHICAL METHOD (CLHM) Nurani 1, Hamdan Gani 2 1 nurani_nanni@yahoo.com, 2 hamdan.gani.inbox@gmail.com
Lebih terperinciBAB 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 terperinciRINGKASAN SKRIPSI MODUL PERKALIAN
RINGKASAN SKRIPSI MODUL PERKALIAN SAMSUL ARIFIN 04/177414/PA/09899 DEPARTEMEN PENDIDIKAN NASIONAL UNIVERSITAS GADJAH MADA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM YOGYAKARTA 2008 HALAMAN PENGESAHAN
Lebih terperinciANALISIS KINERJA ALGORITMA PREFIXSPAN DAN APRIORIALL PADA PENGGALIAN POLA SEKUENSIAL
ANALISIS KINERJA ALGORITMA PREFIXSPAN DAN APRIORIALL PADA PENGGALIAN POLA SEKUENSIAL Dhany Saputra -- Rully Soelaiman Program Studi Sistem Informasi, Fakultas Teknologi Informasi, Institut Teknologi Sepuluh
Lebih terperinciVariasi Spline Kubik untuk Animasi Model Wajah 3D
Variasi Spline Kubi untu Animasi Model Wajah 3D Rachmansyah Budi Setiawan (13507014 1 Program Studi Teni Informatia Seolah Teni Eletro dan Informatia Institut Tenologi Bandung, Jl. Ganesha 10 Bandung 40132,
Lebih terperinciMakalah Seminar Tugas Akhir
Maalah Seminar ugas Ahir Simulasi Penapisan Kalman Dengan Kendala Persamaan Keadaan Pada Kasus Penelusuran Posisi Kendaraan (Vehicle racing Problem Iput Kasiyanto [], Budi Setiyono, S., M. [], Darjat,
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 terperinciDESAIN SENSOR KECEPATAN BERBASIS DIODE MENGGUNAKAN FILTER KALMAN UNTUK ESTIMASI KECEPATAN DAN POSISI KAPAL
DESAIN SENSOR KECEPAAN BERBASIS DIODE MENGGUNAKAN FILER KALMAN UNUK ESIMASI KECEPAAN DAN POSISI KAPAL Alrijadjis, Bambang Siswanto Program Pascasarjana, Jurusan eni Eletro, Faultas enologi Industri Institut
Lebih terperinciANALISIS PETA KENDALI DEWMA (DOUBLE EXPONENTIALLY WEIGHTED MOVING AVERAGE)
Seminar Nasional Matematia dan Apliasinya, 1 Otober 17 ANALISIS PETA KENDALI DEWMA (DOUBLE EXPONENTIALLY WEIGHTED MOVING AVERAGE) DALAM PENGENDALIAN KUALITAS PRODUKSI FJLB (FINGER JOINT LAMINATING BOARD)
Lebih terperinciPenempatan Optimal Phasor Measurement Unit (PMU) dengan Integer Programming
JURAL TEKIK POMITS Vol. 2, o. 2, (2013) ISS: 2337-3539 (2301-9271 Print) B-137 Penempatan Optimal Phasor Measurement Unit (PMU) dengan Integer Programming Yunan Helmy Amrulloh, Rony Seto Wibowo, dan Sjamsjul
Lebih terperinciPENDAHULUAN. Latar Belakang
Latar Belakang PENDAHULUAN Perkembangan teknologi informasi yang sangat pesat yang terjadi dewasa ini menuntut manusia untuk mampu beradaptasi dengan perkembangan tersebut. Upaya adaptasi yang dilakukan
Lebih terperinciPENERAPAN PROGRAM DINAMIS UNTUK MENGHITUNG ANGKA FIBONACCI DAN KOEFISIEN BINOMIAL
PENERAPAN PROGRAM DINAMIS UNTUK MENGHITUNG ANGKA FIBONACCI DAN KOEFISIEN BINOMIAL Reisha Humaira NIM 13505047 Program Studi Teni Informatia Institut Tenologi Bandung Jl. Ganesha 10, Bandung E-mail : if15047@students.if.itb.ac.id
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 terperinciPenerapan Sistem Persamaan Lanjar untuk Merancang Algoritma Kriptografi Klasik
Penerapan Sistem Persamaan Lanjar untu Merancang Algoritma Kriptografi Klasi Hendra Hadhil Choiri (135 08 041) Program Studi Teni Informatia Seolah Teni Eletro dan Informatia Institut Tenologi Bandung,
Lebih terperinciAnalisa Drop Tegangan dan Susut Daya pada Jaringan Listrik Penyulang Renon Menggunakan Metode Artificial Neural Network
Analisa Drop Tegangan dan Susut Daya pada Jaringan Listri Penyulang Renon Menggunaan Metode Artificial Neural Networ I Gede Dyana Arana Jurusan Teni Eletro Faultas Teni, Universitas Udayana Denpasar, Bali,
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Teori Fuzzy 2.1.1 Dasar-Dasar Teori Fuzzy Secara prinsip, di dalam teori fuzzy set dapat dianggap sebagai estension dari teori onvensional atau crisp set. Di dalam teori crisp
Lebih terperinciPENGEMBANGAN ALGORTIMA APRIORI UNTUK PENGAMBILAN KEPUTUSAN TEKNIK INFORMATIKA
PENGEMBANGAN ALGORTIMA APRIORI UNTUK PENGAMBILAN KEPUTUSAN TEKNIK INFORMATIKA TESIS LISMARDIANA SEMBIRING NIM: 137038025 PROGRAM STUDI S2 TEKNIK INFORMATIKA FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
Lebih terperinciPENDAHULUAN TINJAUAN PUSTAKA
1 Latar Belaang PENDAHULUAN Sistem biometri adalah suatu sistem pengenalan pola yang melauan identifiasi personal dengan menentuan eotentian dari arateristi fisiologis dari perilau tertentu yang dimilii
Lebih terperinciAssociation Rule Dengan FP-Tree dan FP Growth
Association Rule Dengan FP-Tree dan FP Growth Sistem Informasi FT UPI YAI Jesa Ariawan, MTI Latar Belakang Algoritma Association Rule dengan Apriori kurang baik bila terdapat banyak pola kombinasi data
Lebih terperinciPREDIKSI HARGA SAHAM MENGGUNAKAN JARINGAN SYARAF TIRUAN MULTILAYER FEEDFORWARD NETWORK DENGAN ALGORITMA BACKPROPAGATION
Konferensi Nasional Sistem dan Informatia 2008; Bali, November 5, 2008 PREDIKSI HARGA SAHAM MENGGUNAKAN JARINGAN SYARAF TIRUAN MULTILAYER FEEDFORWARD NETWORK DENGAN ALGORITMA BACKPROPAGATION Wahyudi Setiawan
Lebih terperinciPROGRAM SIMULASI UNTUK REALISASI STRUKTUR TAPIS INFINITE IMPULSE RESPONSE UNTUK MEDIA PEMBELAJARAN DIGITAL SIGNAL PROCESSING
Konferensi asional Sistem dan Informatia 28; Bali, ovember 15, 28 KS&I8-44 PROGRAM SIMULASI UTUK REALISASI STRUKTUR TAPIS IFIITE IMPULSE RESPOSE UTUK MEDIA PEMBELAJARA DIGITAL SIGAL PROCESSIG Damar Widjaja
Lebih terperinciMAKALAH SEMINAR TUGAS AKHIR
1 MAKALAH SEMINAR TUGAS AKHIR PENGENALAN POLA GEOMETRI WAJAH MENGGUNAKAN JARINGAN SYARAF TIRUAN PERAMBATAN BALIK Muhamad Tonovan *, Achmad Hidayatno **, R. Rizal Isnanto ** Abstra - Pengenalan waah adalah
Lebih terperinci