POLA SEKUENSIAL KEMUNCULAN TITIK PANAS BERDASARKAN DATA CUACA DI PROVINSI RIAU TRIA AGUSTINA
|
|
- Fanny Hermanto
- 7 tahun lalu
- Tontonan:
Transkripsi
1 POLA SEKUENSIAL KEMUNCULAN TITIK PANAS BERDASARKAN DATA CUACA DI PROVINSI RIAU TRIA AGUSTINA DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2014
2
3 PERNYATAAN MENGENAI SKRIPSI DAN SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA Dengan ini saya menyatakan bahwa skripsi berjudul Pola Sekuensial Kemunculan Titik Panas Berdasarkan Data Cuaca di Provinsi Riau adalah benar karya saya dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir skripsi ini. Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut Pertanian Bogor. Bogor, Desember 2014 Tria Agustina NIM G
4 ABSTRAK TRIA AGUSTINA. Pola Sekuensial Kemunculan Titik Panas Berdasarkan Data Cuaca di Provinsi Riau. Dibimbing oleh IMAS SUKAESIH SITANGGANG. Faktor cuaca merupakan faktor pendukung terjadinya kebakaran hutan. Titik panas merupakan salah satu indikator terjadinya kebakaran hutan. Kumpulan data cuaca dan data titik panas yang diperoleh dapat menghasilkan pola sekuensial kemunculan titik panas berdasarkan data cuaca. Pola sekuensial dapat digunakan untuk membantu dalam pengambilan keputusan atau kebijakan yang tepat untuk mencegah kebakaran hutan. Penelitian ini menerapkan algoritme Closed Sequential Pattern Mining (Clospan) dan program Sequential Pattern Mining Framework (SPMF) dalam menghasilkan pola sekuensial. Dataset yang digunakan merupakan data titik panas berdasarkan curah hujan dan temperatur yang dikelompokkan berdasarkan tahun kejadian dimulai dari tahun 2001 sampai 2010 dengan minimum support dari 1% sampai 20%. Hasil penelitian menunjukkan bahwa pola sekuensial yang dihasilkan dari data titik panas dan curah hujan menunjukkan kemunculan titik panas pertama pada lokasi dengan curah hujan 0.03 inci per 6 jam diikuti dengan curah hujan 0.20 inci per 6 jam pada waktu yang berbeda. Pola sekuensial dari data titik panas dan temperatur menunjukkan kemunculan titik panas pertama pada lokasi dengan temperatur C diikuti temperatur C dan temperatur C pada waktu yang berbeda. Area yang sering ditemukan titik panas adalah yang memiliki curah hujan 0.03 inci per 6 jam dan temperatur C. Kata kunci: clospan, data cuaca, data titik panas, kebakaran hutan, SPMF ABSTRACT TRIA AGUSTINA. Sequential Patterns for Hotspots Occurence Based Weather Data in Riau Province. Supervised by IMAS SUKAESIH SITANGGANG. Weather is one of some contributing factors causing forest fires. A hotspot is an indicator of forest fires. Weather and hotspots data can generate sequential pattern occurences of hotspots based on weather data. The sequential pattern can be used to help in making right decisions or policies to prevent forest fires. This research applied the Closed Sequential Pattern Mining (Clospan) algorithm that avaliable in Sequential Pattern Mining Framework program (SPMF) to generate sequential patterns. The data used are hotspots, precipitation and temperature that are grouped by year of events starting from the year 2001 to The sequential patterns were discovered with minimum supports from 1% to 20%. The results show that the sequential patterns generated from hotspot and precipitation data indicate the first hotspot occurence in a location with precipitation 0.03 inch per 6 hours followed by precipitation 0.20 inches per 6 hours at different times. Sequential patterns of hotspot and temperature data indicate the first hotspot occurence in a location with temperature C followed by temperature C and temperature C at different times. Areas where most commonly found hotspot occurrences are those with precipitation 0.03 inch per 6 hours and temperature C. Keywords: clospan, forest fires, hotspots data, SPMF, weather data
5 POLA SEKUENSIAL KEMUNCULAN TITIK PANAS BERDASARKAN DATA CUACA DI PROVINSI RIAU TRIA AGUSTINA Skripsi sebagai salah satu syarat untuk memperoleh gelar Sarjana Ilmu Komputer pada Departemen Ilmu Komputer DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2014
6 Penguji 1: Hari Agung Adrianto, SKom MSi Penguji 2: Muhammad Asyhar Agmalaro, SSi MKom
7 Judul Skripsi : Pola Sekuensial Kemunculan Titik Panas Berdasarkan Data Cuaca di Provinsi Riau Nama : Tria Agustina NIM : G Disetujui oleh Dr Imas Sukaesih Sitanggang, SSi, MKom Pembimbing Diketahui oleh Dr Ir Agus Buono, MSi, MKom Ketua Departemen Tanggal Lulus:
8 PRAKATA Alhamdulillah hirabbil alamin, puji syukur penulis panjatkan ke hadirat Allah Subhanahu Wa Ta'ala atas berkat, rahmat, taufik, dan hidayah-nya sehingga penyusunan skripsi yang berjudul Pola Sekuensial Kemunculan Titik Panas Berdasarkan Data Cuaca di Provinsi Riau dapat diselesaikan dengan baik. Ucapan terima kasih penulis sampaikan kepada Ibu Dr Imas Sukaesih Sitanggang, SSi MKom selaku pembimbing yang telah membantu penulis dalam menyusun tugas akhir. Di samping itu, ucapan terima kasih juga penulis sampaikan kepada Bapak Hari Agung Adrianto, SKom MSi dan Bapak Muhammad Asyhar Agmalaro, SSi MKom selaku penguji dalam tugas akhir. Ungkapan terima kasih juga penulis sampaikan kepada Ayahanda Aji Purnomo, Ibunda Lina Marlina, serta seluruh keluarga atas doa, kasih sayang, semangat, dan dukungan kepada penulis. Terima kasih kepada seluruh staf dan dosen Departemen Ilmu Komputer IPB atas segala bimbingan dan kemudahan layanan, seluruh teman-teman Ilmu Komputer AJ 7 khususnya teman-teman satu bimbingan atas kebersamaan dan semangatnya. Serta semua pihak yang telah membantu penulis yang tidak dapat disebutkan satu persatu, jazakumullah khairan. Bogor, Desember 2014 Tria Agustina
9 DAFTAR ISI DAFTAR TABEL viii DAFTAR GAMBAR viii DAFTAR LAMPIRAN viii PENDAHULUAN 1 Latar Belakang 1 Perumusan Masalah 2 Tujuan Penelitian 2 Manfaat Penelitian 2 Ruang Lingkup Penelitian 2 METODE PENELITIAN 2 Data Penelitian 2 Spesifikasi Kebutuhan Perangkat Sistem 3 Sequential Pattern Mining 4 Tahapan Penelitian 4 Praproses Data 4 Data Titik Panas dan Cuaca 5 Penentuan Pola Sekuensial Menggunakan Algoritme Clospan 5 Pola Sekuensial Titik Panas dan Cuaca 6 Analisis Pola Sekuensial 6 HASIL DAN PEMBAHASAN 6 Praproses Data 6 Seleksi Data 6 Pembersihan Data 7 Pembuatan Data Sekuensial 7 Penentuan Pola Sekuensial Menggunakan Algoritme Clospan 8 Analisis Pola Sekuensial 11 SIMPULAN DAN SARAN 13 Simpulan 13 Saran 13
10 DAFTAR PUSTAKA 13 LAMPIRAN 15 RIWAYAT HIDUP 17
11 DAFTAR TABEL 1 Atribut data titik panas 3 2 Atribut data cuaca 3 3 Kategori laporan pengambilan data curah hujan 7 4 Contoh data curah hujan dalam bentuk sekuensial 7 5 Contoh data temperatur dalam bentuk sekuensial 8 6 Contoh data dengan format masukkan SPMF 8 7 Jumlah pola sekuensial data titik panas dan curah hujan 9 8 Jumlah pola sekuensial data titik panas dan temperatur 9 9 Pola sekuensial data titik panas dan curah hujan tahun Pola sekuensial data titik panas dan temperatur tahun DAFTAR GAMBAR 1 Lokasi stasiun cuaca 3 2 Tahapan penelitian 4 3 Tahapan praproses data 5 4 Algoritme Clospan 5 DAFTAR LAMPIRAN 1 Pola sekuensial data titik panas dan curah hujan tahun Pola sekuensial data titik panas dan temperatur tahun
12
13 1 PENDAHULUAN Latar Belakang Kebakaran hutan memiliki dampak buruk bagi Indonesia maupun negaranegara tetangga. Terjadinya kebakaran hutan secara umum dipengaruhi oleh faktor manusia dan cuaca. Faktor manusia merupakan hal yang sulit untuk diidentifikasi kejadiannya karena didasari pada kesadaran manusia untuk melindungi alam sekitar, sedangkan faktor cuaca dapat diidentifikasi dengan mengetahui keadaan cuaca tertentu di daerah terjadinya kebakaran hutan. Upaya pencegahan yang dapat dilakukan dari sisi faktor cuaca adalah melakukan pemantauan terhadap data cuaca pada saat ditemukan titik panas di suatu lokasi. Titik panas (hotspot) adalah suatu indikator kebakaran hutan yang mendeteksi suatu lokasi yang memiliki suhu relatif lebih tinggi dibandingkan dengan suhu di sekitarnya (Kemenhut 2009). Pemantauan terhadap data cuaca dilakukan untuk mengetahui keadaan cuaca tertentu pada suatu lokasi titik panas muncul. Stasiun cuaca mencatat data cuaca setiap harinya, begitu pula dengan satelit yang merekam data titik panas yang merupakan indikator kebakaran hutan. Kumpulan data tersebut dapat dianalisis sehingga menghasilkan informasi yang dapat membantu dalam pengambilan keputusan atau kebijakan yang tepat untuk mencegah kebakaran hutan, seperti mengetahui pola kemunculan titik panas di provinsi tersebut. Teknik data mining dapat diterapkan untuk menganalisis pola sekuensial kemunculan titik panas berdasarkan data cuaca di Riau. Data mining merupakan proses menemukan pola menarik dan pengetahuan dalam jumlah data yang besar (Han et al. 2011). Metode sequential pattern mining adalah metode data mining yang digunakan dalam penelitian ini. Sequential pattern mining digunakan untuk mencari kemunculan item yang diikuti oleh item lain yang terurut berdasarkan waktu transaksi (Agrawal dan Srikant 1995). Terdapat 2 kelas utama pada metode sequential pattern mining. Kelas pertama yaitu apriori-based yang terdiri dari Generalized Sequential Pattern (GSP) dan Sequential Pattern Discovery using Equivalent Class (SPADE). Kelas kedua yaitu projection-based yang terdiri dari algoritme Prefixspan dan Closed Sequential Pattern Mining (Clospan) (Han et al. 2005). Penelitian ini menerapkan algoritme Clospan untuk mencari pola sekuensial dari data kemunculan titik panas dan data cuaca di Provinsi Riau dari tahun 2001 sampai Clospan lebih unggul dari Prefixspan karena mampu menambang urutan dalam dataset yang besar dengan minimum support yang rendah tanpa kehilangan informasi (Yan et al. 2003). Hasil penelitian Khairunnisa (2014) pada data peminjaman buku perpustakaan juga menunjukkan bahwa algoritme Clospan memiliki kinerja lebih baik daripada Prefixspan. Di samping itu, waktu eksekusi algoritme Clospan lebih cepat dibandingkan dengan Prefixspan untuk dataset yang berukuran besar. Algoritme Clospan juga menunjukkan hasil yang baik pada minimum support tinggi.
14 2 Perumusan Masalah Rumusan permasalahan pada penelitian ini adalah bagaimana data cuaca yaitu curah hujan dan temperatur dapat mempengaruhi kemunculan berurutan titik panas di wilayah Provinsi Riau dengan menggunakan metode sequential pattern mining yaitu algoritme Clospan. Tujuan Penelitian Tujuan dari penelitian ini adalah menentukan pola sekuensial kemunculan titik panas berdasarkan data cuaca yaitu curah hujan dan temperatur di Provinsi Riau menggunakan algoritme Clospan. Manfaat Penelitian Pola sekuensial kemunculan titik panas berdasarkan data cuaca dapat digunakan sebagai informasi yang dapat membantu dalam pengambilan keputusan atau kebijakan yang tepat untuk mencegah kebakaran hutan. Ruang Lingkup Penelitian Penelitian ini memiliki ruang lingkup sebagai berikut: 1 Penelitian ini menggunakan data kemunculan titik panas dan data cuaca yaitu curah hujan dan temperatur di Provinsi Riau dari tahun 2001 sampai Penelitian ini menggunakan program Sequential Pattern Mining Framework (SPMF) (Viger 2013) untuk memperoleh pola sekuensial. METODE PENELITIAN Data Penelitian Data yang digunakan pada penelitian ini adalah data titik panas dan data cuaca meliputi curah hujan dan temperatur di Provinsi Riau pada tahun 2001 sampai Data titik panas diperoleh dari FIRM National Aeronautics and Space Administration (NASA) dengan format shapefile (.shp). Data cuaca diperoleh dari National Climatic Data Center (NCDC) berdasarkan stasiun cuaca Simpang Tiga yang berada di ºN ºE dengan ketinggian 31.0 m. Data cuaca diperoleh dengan format Microsoft Excel (.xlsx). Lokasi stasiun cuaca yang digunakan dalam penelitian dapat dilihat pada Gambar 1.
15 3 Gambar 1 Lokasi stasiun cuaca Data titik panas terdiri dari baris data. Atribut yang digunakan dalam penelitian ini adalah longitude, latitude, dan tanggal. Keterangan dari atribut data titik panas dapat dilihat pada Tabel 1. Tabel 1 Atribut data titik panas No Nama atribut Deskripsi Tipe data 1 Longitude Koordinat longitude data Numeric 2 Latitude Koordinat latitude data Numeric 3 Tanggal Tanggal pengambilan data Date Data cuaca terdiri dari 3694 baris data. Atribut yang digunakan dalam penelitian ini adalah tanggal, temperatur, dan curah hujan. Keterangan dari atribut data cuaca dapat dilihat pada Tabel 2. Tabel 2 Atribut data cuaca No Nama atribut Deskripsi Tipe data 1 Tanggal Tanggal pengambilan data Date 2 Temperatur Temperatur rataan untuk satu hari dalam Numeric derajat Fahrenheit 3 Curah hujan Total curah hujan untuk satu hari dalam inci Numeric Spesifikasi Kebutuhan Perangkat Sistem Penelitian ini menggunakan spesifikasi perangkat keras dan lunak sebagai berikut: 1 Perangkat keras Prosesor Intel(R) Core(TM) i5-3230m 2.60GHz RAM 2 GB 2 Perangkat lunak Windows 8 Enterprise 64-bit sebagai sistem operasi PostgreSQL versi 9.3 sebagai sistem manajemen basis data Sequential Pattern Mining Framework (SPMF) (Viger 2013) versi 0.96d untuk menghasilkan pola sekuensial.
16 4 Sequential Pattern Mining Sequential pattern adalah pola yang menggambarkan urutan waktu terjadinya suatu peristiwa. Pola tersebut dapat ditemukan apabila data yang disimpan relatif besar dan peristiwa yang berurutan terjadi beberapa kali (Han et al. 2011). Sequential pattern mining pertama kali diperkenalkan oleh Agrawal dan Srikant pada tahun 1995 yang digunakan untuk mencari kemunculan item yang diikuti oleh item lain yang terurut berdasarkan waktu transaksi (Agrawal dan Srikant 1995). Sequential pattern digambarkan sebagai berikut: diberikan sejumlah urutan, setiap urutan terdiri atas sederetan elemen, dan setiap elemen terdiri atas sejumlah item, serta diberikan nilai minimum support. Pola sekuensial adalah semua subsequence berulang, yaitu subsequence yang frekuensi kejadiannya lebih besar dari minimum support (Agrawal dan Srikant 1995). Sebuah itemset adalah himpunan item yang tidak kosong, dinotasikan dengan i = {i 1 i 2 i 3 im}, dengan ij adalah item. Sebuah sequence adalah daftar urutan dari itemset, dinotasikan dengan s = <s 1 s 2 s 3 sn> dengan sj adalah itemset. Sebuah sequence a = <a 1 a 2 a 3 an> dikatakan terdapat pada sequence yang lain b = <b 1 b 2 b 3 bm> dinotasikan sebagai α β, jika terdapat integer i 1 < i 2 < < in seperti a 1 bi 1, a 2 bi 2,, an bin (Agrawal dan Srikant 1995). Dapat juga dikatakan juga bahwa sequence b adalah super-sequence dari sequence a, dan b berisi a (Yan et al. 2003). Sebuah sequence database, D = {s 1 s 2 s 3 sn} adalah himpunan sequence. Setiap sequence dihubungkan dengan id, misalnya id dari si adalah i. D menunjukkan banyaknya sequence dalam database D. Support sequence α adalah banyaknya sequence dalam D yang memuat α, support(α) = {s s ϵ D dan α s}. Minimum support adalah batas jumlah minimum dari suatu itemset yang frequent. Frequent sequence pattern berisi semua sequence yang memiliki nilai support yang tidak lebih rendah dari minimum support yang telah ditentukan (Yan et al. 2003). Tahapan Penelitian Penelitian ini memiliki beberapa tahapan dalam menghasilkan pola sekuensial. Tahapan-tahapan yang dilakukan pada penelitian ini dapat dilihat pada Gambar 2. Mulai Praproses Data Data Titik Panas dan Cuaca Penentuan Pola Sekuensial Menggunakan Algoritme Clospan Se Selesai Analisis Pola Sekuensial Pola Sekuensial Titik Panas dan Cuaca Gambar 2 Tahapan penelitian Praproses Data Praproses data yang dilakukan meliputi seleksi data, pembersihan data, dan pembuatan data sekuensial. Seleksi data merupakan proses pemilihan atribut data yang digunakan dalam penelitan. Pembersihan data merupakan tahap membersihkan
17 5 data dari missing value dan noise. Pembuatan data sekuensial merupakan tahapan mengurutkan data berdasarkan longitude, latitude, dan waktu kejadian. Tahapan praproses dapat dilihat pada Gambar 3. Basis data titik panas dan cuaca Seleksi data Pembersihan data Pembuatan data sekuensial Data sekuensial Gambar 3 Tahapan praproses data Data Titik Panas dan Cuaca Data yang telah melewati tahap praproses menghasilkan data sekuensial yang terurut berdasarkan longitude, latitude, dan waktu. Data dalam bentuk sekuensial kemudian disesuaikan kembali untuk menjadi masukkan program SPMF. Penyesuaian format data dilakukan dengan bahasa pemrograman PHP. Penentuan Pola Sekuensial Menggunakan Algoritme Clospan Pola sekuensial dalam penelitian ini dihasilkan dengan menggunakan program SPMF (Viger 2013). Pola ini menunjukkan keterkaitan kejadian antar-item yang terurut berdasarkan waktu. Penentuan pola sekuensial dilakukan dengan mencari frequent sequence. Frequent sequence merupakan kumpulan transaksi yang memiliki jumlah minimum support sama atau melebihi minimum support yang telah ditentukan sebelumnya (Han et al. 2011). Tahap ini dilakukan dengan menggunakan algoritme Clospan. Clospan merupakan suatu algoritme penghasil pola sekuensial dengan metode efisiensi basis data (Yan et al. 2003). Metode efisiensi basis data yang dilakukan yaitu dengan menerapkan konsep post-pruning. Post-pruning merupakan proses efisiensi pola pada basis data dengan teknik backward super-pattern dan backward sub-pattern. Algoritme Clospan dapat dilihat pada Gambar 4 (Yan et al. 2003): CloSpan (s, D s, min_sup, L) Masukan: sequence s, projected database Ds, dan minimum support min_sup Output: pola pencarian prefix L 1: Periksa apakah ditemukan s, baik s s atau s s, dan Γ(D s)= Γ(D s ) 2: Jika terdapat super-pattern atau sub-pattern kemudian 3: Modifikasi link di L, kembali; 4: Selainnya masukan s ke dalam L; 5: Baca D s sekali, temukan kumpulan item α yang sering muncul sehingga (a) s dapat diperluas menjadi (s <> i α), atau (b) s dapat diperluas menjadi (s <> s α) 6: Jika tidak tersedia α yang valid maka 7: Kembali; 8: Untuk setiap α yang valid lakukan 9: Panggil fungsi CloSpan(s <> i α, D s <>i α, min_sup, L); 10: Untuk setiap α yang valid lakukan 11: Panggil fungsi CloSpan(s <> s α, D s <>s α, min_sup, L); 12: Kembali Gambar 4 Algoritme Clospan
18 6 Langkah awal yang dilakukan algoritme Clospan di Gambar 4 adalah memeriksa apakah ditemukan sequence s, baik sequence s terdapat pada sequence s atau sequence s terdapat pada sequence s, dan memeriksa apakah total jumlah item dalam Ds sama dengan Ds. Jika kondisi terpenuhi, dilakukan backward superpattern atau backward sub-pattern. Selainnya, sequence s dimasukkan ke pola prefix. Baca projected database satu kali, ketika ditemukan item yang sering muncul, sequence s dapat diperluas menjadi item terakhir dari sequence baru, atau sequence s dapat diperluas menjadi pola sekuensial. Pemanggilan Clospan secara rekursif dengan cara pencarian depth-first pada pohon pencarian prefix dan membangun pola sequence prefix yg sesuai dilakukan untuk setiap pola sekuensial baru α (Yan et al. 2003). Pola Sekuensial Titik Panas dan Cuaca Tahap penentuan pola dengan program SPMF menggunakan algoritme Clospan yang telah dilakukan sebelumnya menghasilkan pola sekuensial. Jumlah pola sekuensial yang dihasilkan berpengaruh pada minimum support yang ditentukan sebelumnya. Analisis Pola Sekuensial Pada tahap ini dilakukan analisis dari pola sekuensial yang telah dihasilkan sebelumnya. Langkah analisis yang dilakukan meliputi pemantauan terhadap keterkaitan item pada pola sekuensial untuk setiap minimum support dan dataset yang ditentukan sebelumnya. HASIL DAN PEMBAHASAN Praproses Data Praproses dilakukan melalui tahapan seleksi data, pembersihan data, dan pembuatan data sekuensial. Berikut penjelasan langkah praproses, yaitu: Seleksi Data Langkah awal praproses adalah data dimasukkan ke dalam basis data menggunakan DBMS PostgreSQL. Langkah selanjutnya adalah pemilihan atribut yang akan digunakan dalam penelitian dengan query. Data titik panas yang memiliki 14 atribut, kemudian dilakukan seleksi sehingga hanya 3 atribut yang digunakan. Hal yang sama dilakukan pada data cuaca, dipilih 3 atribut dari 22 atribut. Atribut temperatur dan curah hujan pada data cuaca kemudian dipisah menjadi 2 data yang berbeda disertai dengan atribut tanggal kejadian di masingmasing data. Pemisahan menjadi 2 data pada data curah hujan dan temperatur karena pada data curah hujan akan dilakukan proses pembersihan data sedangkan pada data temperatur tidak dilakukan pembersihan data.
19 7 Pembersihan Data Pada data curah hujan ditemukan beberapa missing value dengan nilai 99.99, juga terdapat noise dengan nilai curah hujan 0.00 yang berarti tidak ada curah hujan yang terukur. Data tersebut kemudian dihilangkan karena akan merusak pola sekuensial yang dihasilkan. Pembuatan Data Sekuensial Setelah pembersihan data, dilakukan penyesuaian manual sebagai persiapan untuk membuat data dalam bentuk sekuensial. Penyesuaian dilakukan dengan mengurutkan data curah hujan berdasarkan ukuran dan kategori pengambilan data karena perbedaan tipe laporan pengambilan data curah hujan. Terdapat 5 kategori laporan pengambilan data curah hujan yang dapat dilihat pada Tabel 3. Tabel 3 Kategori laporan pengambilan data curah hujan No. Kategori Keterangan 1 A Satu laporan jumlah curah hujan per 6 jam. 2 B Penjumlahan dua laporan jumlah curah hujan per 6 jam 3 C Penjumlahan tiga laporan jumlah curah hujan per 6 jam 4 D Penjumlahan empat laporan jumlah curah hujan per 6 jam 5 E Satu laporan jumlah curah hujan per 12 jam. Proses pengurutan dilakukan secara manual yang menghasilkan 305 data unik. Setiap data unik kemudian diberi penamaan berurut dengan kode 1 sampai 305. Hal ini disebabkan program SPMF hanya dapat membaca masukkan bilangan bulat positif, sedangkan data curah hujan asli merupakan bilangan desimal yang disertai dengan kategori laporan seperti 0.03A. Sebagai contoh curah hujan dengan nilai 0.01A diberi kode 1. Penyesuaian juga dilakukan dengan mengubah data temperatur yang semula bilangan desimal menjadi bilangan bulat. Pada data longitude dan latitude dilakukan pembulatan menjadi bilangan desimal dengan 2 angka di belakang koma yang semula 3 angka di belakang koma. Hal tersebut dilakukan karena tidak ditemukan munculnya 2 atau lebih titik panas pada lokasi yang sama karena lokasi pencarian terlalu spesifik. Dengan dilakukan pembulatan 2 angka di belakang koma, terdapat beberapa data titik panas yang ditemukan muncul di lokasi yang sama. Pembangkitan pola sekuensial dilakukan dengan program SPMF. Program ini membaca masukkan berupa data dalam bentuk sekuensial. Bahasa pemrograman PHP digunakan untuk mengubah format data menjadi data dalam bentuk sekuensial, data sekuensial menggunakan atribut longitude dan latitude sebagai id, atribut curah hujan dan temperatur sebagai item yang diurut berdasarkan tanggal. Contoh data curah hujan pada tahun 2002 dalam bentuk sekuensial dapat dilihat pada Tabel 4. Tabel 4 Contoh data curah hujan dalam bentuk sekuensial Longitude Latitude Data Sekuensial <(67)(1)(5)> <(3)(1)(5)> <(1)(5)> <(5)> <(5) >
20 8 Data sekuensial pada Tabel 4 berisikan data curah hujan saat ditemukannya titik panas di longitude dan latitude tertentu yang berurut berdasarkan waktu. Tanda kurung menjelaskan terjadinya kejadian dalam satu waktu. Tanda kurung yang berbeda menggambarkan data curah hujan yang terjadi di lokasi yang sama pada waktu yang berbeda. Pada Tabel 4 terdapat data yang hanya memiliki satu data curah hujan seperti pada longitude dan latitude Hal ini karena tidak ditemukan munculnya titik panas pada data yang tepat berada pada lokasi dan waktu yang sama. Begitu pula pembacaan data temperatur dalam bentuk sekuensial. Contoh data temperatur pada tahun 2002 dalam bentuk sekuensial dapat dilihat pada Tabel 5. Tabel 5 Contoh data temperatur dalam bentuk sekuensial Longitude Latitude Data Sekuensial <(83)(80)(81)(82)> <(81)(80)(82)(83)> <(82)(83)> <(83)(82)> <(82)(83)> Data sekuensial yang telah diperoleh kemudian diubah kembali menggunakan bahasa pemrograman PHP menjadi format masukkan yang sesuai dengan program SPMF. Contoh data curah hujan dan temperatur dengan format masukkan SPMF dapat dilihat pada Tabel 6. Nilai -1 menunjukkan akhir dari suatu itemset. Nilai - 2 menunjukkan akhir dari sequence (Viger 2003). Tabel 6 Contoh data dengan format masukkan SPMF Data Curah Hujan Data Temperatur Tahap ini menghasilkan 2 data sekuensial, yaitu data curah hujan dan data temperatur. Masing-masing data akan ditentukan pola sekuensialnya menggunakan program SPMF. Penentuan Pola Sekuensial Menggunakan Algoritme Clospan Sebelum dilakukan pembangkitan pola dengan program SPMF, penentuan dataset dan minimum support dilakukan terlebih dahulu. Penentuan dataset dilakukan dengan mengelompokkan data berdasarkan tahun, yang dibagi menjadi data tahun 2001 sampai Minimum support yang digunakan adalah 1%, 2%, 3%, 4%, 5%, 10%, 15%, dan 20%. Jumlah pola sekuensial titik panas berdasarkan data curah hujan hasil eksekusi algoritme Clospan menggunakan SPMF dapat dilihat pada Tabel 7.
21 9 Tabel 7 Jumlah pola sekuensial data titik panas dan curah hujan No Dataset (tahun) Minimum support (%) Pencarian pola sekuensial juga dilakukan pada data temperatur menggunakan SPMF. Jumlah pola sekuensial yang dihasilkan dapat dilihat pada Tabel 8. Tabel 8 Jumlah pola sekuensial data titik panas dan temperatur No Dataset (tahun) Minimum support (%) Tabel 9 merupakan pola sekuensial hasil eksekusi SPMF data curah hujan tahun 2005 yang merupakan tahun dengan kemunculan titik panas terbanyak, yaitu sebanyak 2287 kejadian. Pada tabel ini ditampilkan 5 pola dengan nilai support tertinggi. Hasil eksekusi pola sekuensial data curah hujan tahun 2005 selengkapnya dapat dilihat pada Lampiran 1. Tabel 9 Pola sekuensial data titik panas dan curah hujan tahun 2005 Minimun support 1-sequence 1% #SUP: 504; 46-1 #SUP: 227; #SUP: 218; #SUP: 166; #SUP: 122 2% #SUP: 504; 46-1 #SUP: 227; #SUP: 218; #SUP: 166; #SUP: 122 3% #SUP: 504; 46-1 #SUP: 227; #SUP: 218; #SUP: 166; #SUP: 122 4% #SUP: 504; 46-1 #SUP: 227; #SUP: 218; #SUP: 166; #SUP: sequence #SUP: #SUP: #SUP: #SUP: #SUP: 71
22 10 Minimun support 1-sequence 5% #SUP: 504; 46-1 #SUP: 227; #SUP: 218; #SUP: 166; #SUP: % #SUP: % #SUP: % #SUP: sequence Tabel 10 merupakan pola sekuensial hasil eksekusi SPMF data temperatur tahun 2005 yang merupakan tahun dengan kemunculan titik panas terbanyak, yaitu sebanyak 9279 kejadian. Pada tabel ini ditampilkan 5 pola dengan nilai support tertinggi. Hasil eksekusi pola sekuensial data curah hujan tahun 2005 selengkapnya dapat dilihat pada Lampiran 2. Tabel 10 Pola sekuensial data titik panas dan temperatur tahun 2005 Minimun support 1-sequence 2-sequence 3-sequence 1% 85-1 #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: 512 2% 85-1 #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: 512 3% 85-1 #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: 512 4% 85-1 #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: 512 5% 85-1 #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: % 85-1 #SUP: #SUP: #SUP: #SUP: #SUP: % 85-1 #SUP: #SUP: #SUP: #SUP: #SUP: % 85-1 #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: 149
23 11 Analisis Pola Sekuensial Pembangkitan pola pada tahap sebelumnya menghasilkan pola sekuensial yang dapat dianalisis pada setiap dataset. Pola tersebut menggambarkan karakteristik cuaca, yaitu curah hujan dan temperatur pada saat ditemukannya titik panas. 1 Data curah hujan tahun 2005 Data sekuensial yang terbentuk dari data curah hujan pada tahun 2005 sebanyak 2287 kemunculan titik panas. Pola yang dianalisis merupakan pola pada minimum support 1% yang berarti sedikitnya terdapat 22 kemunculan titik panas dari 2287 kejadian. Pola yang dihasilkan sebagai berikut: #SUP: #SUP: #SUP: 22 Pola di atas menunjukkan pola yang memiliki keterkaitan dari 2 item. Pola < >, < >, dan < > menjelaskan bahwa 71 kemunculan titik panas dari 2287 kejadian diantaranya muncul pada lokasi dengan curah hujan dengan kode 175 (0.03C yaitu curah hujan bernilai 0.03 inci yang berasal dari penjumlahan tiga laporan curah hujan per 6 jam) kemudian diikuti curah hujan dengan kode 237 (0.20D yaitu curah hujan bernilai 0.20 inci yang berasal dari penjumlahan empat laporan curah hujan per 6 jam) pada waktu yang berbeda. Pola lain yang ditemukan adalah 28 kemunculan titik panas pada lokasi dengan curah hujan dengan kode 260 (0.78D yaitu curah hujan bernilai 0.78 inci yang berasal dari penjumlahan empat laporan curah hujan per 6 jam) kemudian pada waktu berbeda curah hujan ditemukan dengan kode 175 (0.03C yaitu curah hujan bernilai 0.03 inci yang berasal dari penjumlahan tiga laporan curah hujan per 6 jam). Tidak dapat dilihat rentang waktu terjadinya kemunculan titik panas dari pola sekuensial yang dihasilkan pada penelitian ini. Kemudian dilakukan pula analisis pola sekuensial pada minimum support 2% dan 3% yang menghasilkan pola yang sama. Minimum support 2% berarti sedikitnya ditemukan 45 kemunculan titik panas. Minimum support 3% berarti sedikitnya ditemukan 68 kemunculan titik panas. Pola yang dihasilkan sebagai berikut: #SUP: 71 Pola < > menjelaskan bahwa terdapat 71 kemunculan titik panas dari 2287 kejadian diantaranya muncul pada lokasi dengan curah hujan dengan kode 175 (0.03C yaitu curah hujan bernilai 0.03 inci yang berasal dari penjumlahan tiga laporan curah hujan per 6 jam) kemudian diikuti curah hujan dengan kode 237 (0.20D yaitu curah hujan bernilai 0.20 inci yang berasal dari penjumlahan empat laporan curah hujan per 6 jam) pada waktu yang berbeda. Tidak dapat dilihat rentang waktu terjadinya kemunculan titik panas dari pola sekuensial yang dihasilkan pada penelitian ini. 2 Data temperatur tahun 2005 Data sekuensial yang terbentuk dari data temperatur pada tahun 2005 sebanyak 9279 kemunculan titik panas. Pola yang dianalisis merupakan pola
24 12 1-sequence pada minimum support 20% yang berarti sedikitnya terdapat 1855 kemunculan titik panas dari 9279 kejadian. Pola 1-sequence merupakan pola yang memiliki keterkaitan hanya dari 1 item, yaitu item itu sendiri. Pola yang dihasilkan sebagai berikut: 85-1 #SUP: #SUP: #SUP: #SUP: 2019 Pola di atas menunjukkan 3595 kejadian dari 9279 lokasi ditemukannya titik panas pada lokasi dengan temperatur 85 F (29.44 C). Ditemukan pula 3595 kemunculan titik panas pada lokasi dengan temperatur 83 F (28.33 C). Analisis kemudian dilakukan untuk pola 2-sequence yang merupakan pola yang memiliki keterkaitan 2 item. Pola dianalisis dengan menggunakan minimum support 5% yang berarti sedikitnya terdapat 463 kemunculan titik panas dari 9279 kejadian. Pola yang dihasilkan sebagai berikut: #SUP: #SUP: #SUP: #SUP: #SUP: 512 Pola di atas menunjukkan 672 kemunculan titik panas pada lokasi dengan temperatur 83 F (28.33 C) dan diikuti dengan temperatur 85 F (29.44 C) pada waktu yang berbeda. Ditemukan juga 655 kemunculan titik panas pada lokasi dengan temperatur 85 F (29.44 C) dan pada waktu yang berbeda ditemukan titik panas dengan temperatur 83 F (28.33 C) di lokasi yang sama. Tidak dapat dilihat rentang waktu terjadinya kemunculan titik panas dari pola sekuensial yang dihasilkan pada penelitian ini. Analisis kembali dilakukan untuk pola 3-sequence yaitu pola yang memiliki keterkaitan hingga 3 item. Analisis dilakukan dengan minimum support 1% yang berarti sedikitnya terdapat 92 kemunculan titik panas dari 9279 kejadian. Pola yang dihasilkan sebagai berikut: #SUP: #SUP: #SUP: #SUP: #SUP: 149 Pola di atas menunjukkan 172 kemunculan titik panas pada lokasi dengan temperatur 83 F (28.33 C) yang diikuti dengan temperatur 84 F (28.89 C) pada waktu yang berbeda, dan kemudian temperatur 85 F (29.44 C) muncul setelahnya pada waktu yang berbeda pula. Ditemukan pula 159 kemunculan titik panas pada lokasi dengan temperatur 85 F (29.44 C) yang diikuti dengan temperatur 84 F (28.89 C) pada waktu yang berbeda, dan kemudian temperatur 83 F (28.33 C) muncul setelahnya pada waktu yang berbeda pula. Tidak dapat dilihat rentang waktu terjadinya kemunculan titik panas dari pola sekuensial yang dihasilkan pada penelitian ini.
25 13 SIMPULAN DAN SARAN Simpulan Kemunculan titik panas ditemukan pada lokasi dengan curah hujan berkode 46 (1.85A yaitu curah hujan bernilai 1.85 inci yang berasal dari satu laporan curah hujan per 6 jam), 175 (0.03C yaitu curah hujan bernilai 0.03 inci yang berasal dari penjumlahan tiga laporan curah hujan per 6 jam), 237 (0.20D yaitu curah hujan bernilai 0.20 inci yang berasal dari penjumlahan empat laporan curah hujan per 6 jam), dan 288 (2.13D yaitu curah hujan bernilai 2.13 inci yang berasal dari penjumlahan empat laporan curah hujan per 6 jam). Kemunculan titik panas pada lokasi dengan curah hujan berkode 175 ditemukan di semua pola sekuensial yang diperoleh, dapat disimpulkan curah hujan dengan kode 175 tersebut merupakan area yang paling sering ditemukannya titik panas. Kemunculan titik panas pada lokasi dengan curah hujan berkode 175 secara umum diikuti dengan peningkatan curah hujan dengan kode 237 dilokasi yang sama pada waktu yang berbeda. Kemunculan titik panas ditemukan pada lokasi dengan temperatur 83 F (28.33 C), 84 F (28.89 C), 85 F (29.44 C), dan 86 F (30 C). Kemunculan titik panas pada lokasi dengan temperatur 85 F (29.44 C) dapat disimpulkan menjadi area yang paling sering ditemukannya titik panas karena lebih dari sepertiga data kemunculan titik panas pada lokasi dengan temperatur tersebut. Kemunculan titik panas pada lokasi dengan temperatur 83 F (28.33 C) yang ditemukan diikuti peningkatan temperatur menjadi 84 F (28.89 C) di waktu yang berbeda, dan selanjutnya diikuti dengan peningkatan kembali temperatur menjadi 85 F (29.44 C) pada waktu yang berbeda pula. Saran Penelitian ini memiliki beberapa kekurangan seperti tidak dapat diketahui lokasi ditemukannya titik panas dan rentang waktu antar kejadian. Penelitian selanjutnya dapat dilakukan dengan menyertakan keterangan lokasi (longitude dan latitude) pada pola sekuensial, sehingga diketahui lokasi-lokasi mana saja yang sering ditemukan kemunculan titik panas pada karakteristik cuaca tertentu. Dapat pula dilakukan pembentukan pola sekuensial dengan menentukan batasan rentang waktu antar kejadian, seperti penentuan rentang waktu kejadian per bulan agar dapat diketahui dengan pasti rentang waktu antar kejadian pertama dengan kejadian selanjutnya. DAFTAR PUSTAKA Agrawal R, Srikant R Mining sequential pattern. Di dalam: Philip S Yu, Arbee L P Chen, editor. Proceedings of the Eleventh International Conference on Data Engineering (ICDE '95); 1995 Maret 6-10; Taipei, Taiwan. Washington DC (US): IEEE Computer Society. hlm 3-14.
26 14 Han J, Kamber M, Pei J Data Mining: Concepts and Techniques, 3rd Ed. America (US): Morgan Kaufmann. Han J, Pei J, Yan X Sequential pattern mining by pattern growth: principles and extensions. Di dalam: Chu W, Lin TY, editor. Foundation and Advances in Data Mining, Studies in Fuzziness and Soft Computing Volume 180. Berlin (DE): Springer Berlin Heidelberg. hlm Yan X, Han J, Ashfar R Clospan: Mining closed sequential pattern in large dataset. Di dalam: Barbara D, Kamath C, editor. Proceedings of the Third SIAM International Conference on Data Mining; 2003 Mei 1-3; San Francisco, United States. Philadelphia (US): The Society for Industrial and Applied Mathematic. hlm [Kemenhut] Kementrian Kehutanan Peraturan menteri kehutanan nomor: p.12/ menhut-ii/2009 [internet]. Jakarta(ID): Kemenhut. [diunduh 2014 Mei 29]. Tersedia pada: Khairunnisa DM Penerapan algoritme prefixspan dan clospan untuk mencari pola sekuensial pada data peminjaman buku di perpustakaan IPB [skripsi]. Bogor (ID): Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor. Viger PF Sequential pattern mining framework (SPMF) versi 0.94 [internet]. [diunduh 2014 Mei 28]. Tersedia pada: com/spmf
27 15 LAMPIRAN Lampiran 1 Pola sekuensial data titik panas dan curah hujan tahun 2005 Minimun 1-sequence support 1% 3-1 #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: 37 2% 3-1 #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: 166 3% 46-1 #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: sequence #SUP: #SUP: #SUP: #SUP: #SUP: 71
28 16 Lanjutan Minimun 1-sequence support #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: 166 4% 46-1 #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: 166 5% 46-1 #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: % #SUP: % #SUP: % #SUP: sequence Lampiran 2 Pola sekuensial data titik panas dan temperatur tahun 2005 Minimun support 1-sequence 2-sequence 3-sequence 1% 76-1 #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: 133
29 17 Lanjutan Minimun support 2% 80-1 #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: sequence 2-sequence 3-sequence #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: 101
30 18 Lanjutan Minimun support 3% 80-1 #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: 291 4% 80-1 #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: % 80-1 #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: % 81-1 #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: % 81-1 #SUP: sequence 2-sequence 3-sequence #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: #SUP: 655
31 19 Lanjutan Minimun support 1-sequence 2-sequence 3-sequence 82-1 #SUP: #SUP: #SUP: #SUP: #SUP: % 83-1 #SUP: #SUP: #SUP: #SUP: 2019
32 20 RIWAYAT HIDUP Penulis dilahirkan di Bogor pada tanggal 1 Agustus 1991 dari Bapak Aji Purnomo dan Ibu Lina Marlina. Penulis adalah putri ketiga dari tiga bersaudara. Tahun 2009 penulis lulus dari SMA Negeri 5 Bogor kemudian pada tahun yang sama penulis diterima sebagai mahasiswa Diploma IPB jurusan Manajemen Informatika melalui jalur Undangan Seleksi Masuk IPB. Penulis menyelesaikan studi di Diploma IPB pada tahun 2012 kemudian melanjutkan studi pada Program Sarjana Ilmu Komputer, Alih Jenis, Fakultas Matematika dan Ilmu Pengetahuan Alam IPB untuk meraih gelar Sarjana Komputer.
PENERAPAN ALGORITME PREFIXSPAN DAN GSP UNTUK MENCARI POLA SEKUENSIAL PADA DATA PEMINJAMAN BUKU DI PERPUSTAKAAN IPB ARINA PRAMUDITA
PENERAPAN ALGORITME PREFIXSPAN DAN GSP UNTUK MENCARI POLA SEKUENSIAL PADA DATA PEMINJAMAN BUKU DI PERPUSTAKAAN IPB ARINA PRAMUDITA DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
Lebih terperinciAPLIKASI SEQUENTIAL PATTERN MINING PADA DATA TITIK PANAS DI LAHAN GAMBUT SUMATRA DAN KALIMANTAN AIZUL FADIN
APLIKASI SEQUENTIAL PATTERN MINING PADA DATA TITIK PANAS DI LAHAN GAMBUT SUMATRA DAN KALIMANTAN AIZUL FADIN DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR
Lebih terperinciKLASIFIKASI DATA SPASIAL UNTUK KEMUNCULAN HOTSPOT DI PROVINSI RIAU MENGGUNAKAN ALGORITME ID3 VIKHY FERNANDO
KLASIFIKASI DATA SPASIAL UNTUK KEMUNCULAN HOTSPOT DI PROVINSI RIAU MENGGUNAKAN ALGORITME ID3 VIKHY FERNANDO DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR
Lebih terperinciData Mining. Tidak. Mulai. Data transaksi. Pembersihan data. Seleksi data. Transformasi data. Pemberian nilai minimum support
6 Representasi Pengetahuan Tahap ini merupakan tahap akhir dari proses KDD. Sederetan aturan atau rule disajikan kepada pengguna dengan menggunakan algoritme Rule Generation. Mulai Data transaksi Pembersihan
Lebih terperinciPENGEMBANGAN APLIKASI FUZZY TEMPORAL ASSOCIATION RULE MINING (STUDI KASUS : DATA TRANSAKSI PASAR SWALAYAN ) HANDAYANI RETNO SUMINAR
PENGEMBANGAN APLIKASI FUZZY TEMPORAL ASSOCIATION RULE MINING (STUDI KASUS : DATA TRANSAKSI PASAR SWALAYAN ) HANDAYANI RETNO SUMINAR DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
Lebih terperinciMULTIDIMENSIONAL ASSOCIATION RULES MINING UNTUK DATA KEBAKARAN HUTAN MENGGUNAKAN ALGORITME FP-GROWTH DAN ECLAT NUKE ARINCY
MULTIDIMENSIONAL ASSOCIATION RULES MINING UNTUK DATA KEBAKARAN HUTAN MENGGUNAKAN ALGORITME FP-GROWTH DAN ECLAT NUKE ARINCY DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT
Lebih terperinciPENERAPAN ALGORITME PREFIXSPAN DAN CLOSPAN UNTUK MENCARI POLA SEKUENSIAL PADA DATA PEMINJAMAN BUKU DI PERPUSTAKAAN IPB DEVI MEISITA KHAIRUNNISA
PENERAPAN ALGORITME PREFIXSPAN DAN CLOSPAN UNTUK MENCARI POLA SEKUENSIAL PADA DATA PEMINJAMAN BUKU DI PERPUSTAKAAN IPB DEVI MEISITA KHAIRUNNISA DEPARTEMEN ILMU KOMPUTER FAKULTAS ILMU PENGETAHUAN ALAM INSTITUT
Lebih terperinciPembersihan Data Lingkungan Pengembangan Sistem HASIL DAN PEMBAHASAN
3 Nilai fuzzy support bagi frequent sequence dengan ukuran k diperoleh dengan mengkombinasikan frequent sequence dengan ukuran k-1. Proses ini akan berhenti jika tidak memungkinkan lagi untuk membangkitkan
Lebih terperinciHIERARCHICAL CLUSTERING PADA DATA TIME SERIES HOTSPOT PROVINSI RIAU ILHAM ALPHA DINOV
HIERARCHICAL CLUSTERING PADA DATA TIME SERIES HOTSPOT PROVINSI RIAU ILHAM ALPHA DINOV DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2014 PERNYATAAN
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 terperinciPenentuan Pola Sekuensial pada Data Transaksi Perpustakaan IPB Menggunakan Algoritma Graph Search Techniques
Penentuan Pola Sekuensial pada Data Transaksi Perpustakaan IPB Menggunakan Algoritma Graph Search Techniques Imas S. Sitanggang 1, Firman Ardiansyah 1 dan Hamzah Agung 2 1 Staf Pengajar Departemen Ilmu
Lebih terperinciRancang Bangun Fitur Rekomendasi Buku Menggunakan Algoritma PrefixSpan pada Sistem Peminjaman Buku Berbasis Web di Perpustakaan Universitas Ciputra
Rancang Bangun Fitur Rekomendasi Buku Menggunakan Algoritma PrefixSpan pada Sistem Peminjaman Buku Berbasis Web di Perpustakaan Universitas Ciputra Lenny Universitas Ciputra UC Town, Citraland Surabaya
Lebih terperinciDAFTAR REFERENSI. xiii. Computer Science Education, San Jose, United States, 1997.
DAFTAR REFERENSI [AGR95] [AHW03] [CAR06] [GKK01] [HAN01] [JAC97] [PEI01] [RSL95] Agrawal, Rakesh, Ramakrishnan Srikant. 1995. Mining Sequential Patterns. IBM Research Center. Agrawal, C, Han, Jiawei, Wang,
Lebih terperinciPENGGALIAN POLA CLOSED SEQUENTIAL PADA BASIS DATA YANG BERTAMBAH SECARA BERTAHAP
PENGGALIAN POLA CLOSED SEQUENTIAL PADA BASIS DATA YANG BERTAMBAH SECARA BERTAHAP Budanis Dwi Meilani* dan Arif Djunaidy** Jurusan Teknik Informatika ITS, Surabaya 60111, email: **budanis@yahoo.com, **adjunaidy@its.ac.id
Lebih terperinciMETODE PENELITIAN. Proses Dasar Sistem
Gagasan utama dari sequential pattern mining adalah untuk menemukan semua pola sekuensial yang memiliki nilai support lebih besar dari nilai minimum support yang diberikan (Fiot. C et al ). Diagram alir
Lebih terperinciAPLIKASI PENGGALIAN POLA SEKUENSIAL INTERVAL WAKTU FUZZY PADA PROSES BISNIS ERP MENGGUNAKAN ALGORITMA FP-GROWTH-PREFIXSPAN
Seminar Hasil Tugas Akhir APLIKASI PENGGALIAN POLA SEKUENSIAL INTERVAL WAKTU FUZZY PADA PROSES BISNIS ERP MENGGUNAKAN ALGORITMA FP-GROWTH-PREFIXSPAN Application of Fuzzy Time-Interval Sequence Pattern
Lebih terperinciPENENTUAN POLA SEKUENSIAL PADA DATA TRANSAKSI PERPUSTAKAAN IPB MENGGUNAKAN ALGORITMA GRAPH SEARCH TECHNIQUES HAMZAH AGUNG
PENENTUAN POLA SEKUENSIAL PADA DATA TRANSAKSI PERPUSTAKAAN IPB MENGGUNAKAN ALGORITMA GRAPH SEARCH TECHNIQUES HAMZAH AGUNG DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT
Lebih terperinciPenggalian Pola Sekuensial Interval Waktu Fuzzy Pada Proses Bisnis ERP Menggunakan Algoritma FP-Growth PrefixSpan
JURNAL SAINS DAN SENI POMITS Vol. 2, No.1, (2014) 1-6 1 Penggalian Interval Waktu Fuzzy Pada Proses Bisnis ERP Menggunakan Algoritma FP-Growth PrefixSpan Muhammad Sidratul Muntaha A.M.A dan Dr. Imam Mukhlash,
Lebih terperinciSKRIPSI TI S1 FIK UDINUS 1
SKRIPSI TI S FIK UDINUS PENERAPAN ASSOCIATION RULE DENGAN ALGORITMA APRIORI UNTUK MENAMPILKAN INFORMASI TINGKAT KELULUSAN MAHASISWA TEKNIK INFORMATIKA S FAKULTAS ILMU KOMPUTER UNIVERSITAS DIAN NUSWANTORO
Lebih terperinciBAB II LANDASAN TEORI
6 BAB II LANDASAN TEORI Bab ini berisi penjelasan tentang definisi, teori dan konsep yang digunakan penulis untuk mamahami cara yang benar untuk mendapatkan pola sekuensial (sequential patterns) dengan
Lebih terperinciPENERAPAN METODE ASSOCIATION RULE MINING MENGGUNAKAN ALGORITMA APRIORI UNTUK MENEMUKAN POLA PEMINJAMAN BUKU
PENERAPAN METODE ASSOCIATION RULE MINING MENGGUNAKAN ALGORITMA APRIORI UNTUK MENEMUKAN POLA PEMINJAMAN BUKU TUGAS AKHIR Sebagai Persyaratan Guna Meraih Gelar Sarjana Strata 1 Teknik Informatika Universitas
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1. Aplikasi Data Mining Data mining adalah suatu istilah yang digunakan untuk menemukan pengetahuan yang tersembunyi di dalam database. Data mining merupakan proses semi otomatik
Lebih terperinciPENDAHULUAN TINJAUAN PUSTAKA
Latar Belakang PENDAHULUAN Pola pengaksesan pengguna terhadap sebuah situs web biasanya tergambarkan dalam sebuah pola sekuensial. Pola sekuensial mengindikasikan bahwa transaksi biasanya terjadi secara
Lebih terperinciAnalisa Keterkaitan (Link Analysis) Dengan Menggunakan Sequential Pattern Discovery Untuk Prediksi Cuaca
Analisa Keterkaitan (Link Analysis) Dengan Menggunakan Wiwin Suwarningsih wiwin@informatika.lipi.go.id Nuryani nuryani@ informatika.lipi.go.id Andria Arisal andria.arisal@ informatika.lipi.go.id Abstract
Lebih terperinciANALISIS DATA DERET WAKTU HOTSPOT PROVINSI RIAU BERDASARKAN TIPE PENUTUPAN LAHAN ANESIA MEILA ROSA
ANALISIS DATA DERET WAKTU HOTSPOT PROVINSI RIAU BERDASARKAN TIPE PENUTUPAN LAHAN ANESIA MEILA ROSA DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR
Lebih terperinciLingkungan Pengembangan Data Mining HASIL DAN PEMBAHASAN Preprocessing Data
Setelah dilakukan analisis clustering maka algoritme tersebut akan dibandingkan berdasarkan cluster yang terbentuk dari hasil analisis cluster-nya. Hasil perbandingan diharapkan dapat membuktikan bahwa
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 terperinciANALISIS ALGORITMA VMSP PADA MODEL SEQUENTIAL PATTERN DALAM DATA MINING
Seminar Nasional Sistem Informasi Indonesia, 1 pember 2016 ANALISIS ALGORITMA VMSP PADA MODEL SEQUENTIAL PATTERN DALAM DATA MINING Ichmi Rianggi Umu Khoirroh 1), Wiwik Suharso 2) Teknik Informatika, Teknik,
Lebih terperinciPengembangan Aplikasi Market Basket Analysis Menggunakan Algoritma Generalized Sequential Pattern pada Supermarket
Pengembangan Aplikasi Market Basket Analysis Menggunakan Algoritma Generalized Sequential Pattern pada Supermarket Gunawan 1), Alex Xandra Albert Sim 2), Fandi Halim 3), M. Hawari Simanullang 4), M. Firkhan
Lebih terperinciALGORITMA PARALEL FP-GROWTH UNTUK PENGGALIAN KAIDAH ASOSIASI PADA JARINGAN KOMPUTER
ALGORITMA PARALEL FP-GROWTH UNTUK PENGGALIAN KAIDAH ASOSIASI PADA JARINGAN KOMPUTER F.X. Arunanto, Syaiful Isman Jurusan Teknik Informatika, Fakultas Teknologi Informasi, Institut Teknologi Sepuluh Nopember
Lebih 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 terperinciProsiding Seminar Hasil-Hasil PPM IPB 2015 Vol. I : ISBN :
Vol. I : 201 213 ISBN : 978-602-8853-27-9 SPATIO-TEMPORAL DATA MINING PADA DATA HOTSPOT SEBAGAI INDIKATOR KEBAKARAN HUTAN DAN LAHAN GAMBUT DI PROVINSI RIAU (Spatio-temporal Data Mining on Hotspot Data
Lebih terperinciDETEKSI PENCILAN PADA DATA TITIK PANAS MENGGUNAKAN CLUSTERING BERBASIS MEDOIDS MOHAMAD BENTAR CAHYADAHRENA
i DETEKSI PENCILAN PADA DATA TITIK PANAS MENGGUNAKAN CLUSTERING BERBASIS MEDOIDS MOHAMAD BENTAR CAHYADAHRENA DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR
Lebih terperinciPENGEMBANGAN MODUL UPDATE DATA PADA SISTEM SPATIAL DATA WAREHOUSE HOTSPOT BOLIVIANTO KUSUMAH
PENGEMBANGAN MODUL UPDATE DATA PADA SISTEM SPATIAL DATA WAREHOUSE HOTSPOT BOLIVIANTO KUSUMAH DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2014 PERNYATAAN
Lebih terperinciHASIL DAN PEMBAHASAN. Setiap tahapan di dalam penelitian ini akan ditunjukkan di dalam Tabel 2.
6 tahap ini, pola yang telah ditemukan dipresentasikan ke pengguna dengan teknik visualisasi agar pengguna dapat memahaminya. Deskripsi aturan klasifikasi akan dipresentasikan dalam bentuk aturan logika
Lebih terperinciPREDIKSI STATUS KEAKTIFAN STUDI MAHASISWA DENGAN ALGORITMA C5.0 DAN K-NEAREST NEIGHBOR IIN ERNAWATI G
PREDIKSI STATUS KEAKTIFAN STUDI MAHASISWA DENGAN ALGORITMA C5.0 DAN K-NEAREST NEIGHBOR IIN ERNAWATI G651044054 SEKOLAH PASCA SARJANA INSTITUT PERTANIAN BOGOR BOGOR 2008 PERNYATAAN MENGENAI TESIS DAN SUMBER
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 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 terperinciPENCARIAN ASSOCIATION RULES PADA DATA LULUSAN MAHASISWA PERGURUAN TINGGI MENGGUNAKAN ALGORITMA FP-GROWTH SKRIPSI SHARFINA FAZA
PENCARIAN ASSOCIATION RULES PADA DATA LULUSAN MAHASISWA PERGURUAN TINGGI MENGGUNAKAN ALGORITMA FP-GROWTH SKRIPSI SHARFINA FAZA 101402088 PROGRAM STUDI S1 TEKNOLOGI INFORMASI FAKULTAS ILMU KOMPUTER DAN
Lebih terperinciKLASIFIKASI KEMUNCULAN TITIK PANAS PADA LAHAN GAMBUT DI SUMATERA DAN KALIMANTAN MENGGUNAKAN ALGORITME K-NEAREST NEIGHBOR FITRI KUSUMANINGRUM
KLASIFIKASI KEMUNCULAN TITIK PANAS PADA LAHAN GAMBUT DI SUMATERA DAN KALIMANTAN MENGGUNAKAN ALGORITME K-NEAREST NEIGHBOR FITRI KUSUMANINGRUM DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
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 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 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 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 terperinciPERANCANGAN PROTOKOL PENYEMBUNYIAN INFORMASI TEROTENTIKASI SHELVIE NIDYA NEYMAN
PERANCANGAN PROTOKOL PENYEMBUNYIAN INFORMASI TEROTENTIKASI SHELVIE NIDYA NEYMAN SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2007 PERNYATAAN MENGENAI TESIS DAN SUMBER INFORMASI Dengan ini saya menyatakan
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 terperinciIDENTIFIKASI JENIS SHOREA (MERANTI) MENGGUNAKAN ALGORITME VOTING FEATURE INTERVALS 5 BERDASARKAN KARAKTERISTIK MORFOLOGI DAUN EVI SUSANTI
IDENTIFIKASI JENIS SHOREA (MERANTI) MENGGUNAKAN ALGORITME VOTING FEATURE INTERVALS 5 BERDASARKAN KARAKTERISTIK MORFOLOGI DAUN EVI SUSANTI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
Lebih terperinciBAB III ANALISIS. Mekanisme Penyimpanan dan Pengambilan Sequence
BAB III ANALISIS Mula-mula, Bab ini akan mengemukakan analisis yang dilakukan terhadap algoritma PrefixSpan [PEI01]. Kemudian dilakukan rancangan dan implementasi algoritma tersebut. Setelah itu, program
Lebih terperinciPENERAPAN ALGORITMA APRIORI DALAM PERANGKAT LUNAK DATA BASE Amroni, S.Kom, M.Kom
PENERAPAN ALGORITMA APRIORI DALAM PERANGKAT LUNAK DATA BASE Amroni, S.Kom, M.Kom amroni69@yahoo.com Abstrak Banyak teori dan pendekatan yang dikembangkan untuk memperoleh hasil penemuan kaidah asosiasi
Lebih 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 terperinciSpatio-Temporal Clustering Hotspot di Sumatera Selatan Tahun Menggunakan Algoritme ST-DBSCAN dan Bahasa Pemrograman R
Tersedia secara online di: http://journal.ipb.ac.id/index.php/jika Volume 3 Nomor 2 halaman 112-121 ISSN: 2089-6026 Spatio-Temporal Clustering Hotspot di Sumatera Selatan Tahun 2002-2003 Menggunakan Algoritme
Lebih terperinciPENENTUAN POLA SEKUENSIAL DATA TRANSAKSI PEMBELIAN MENGGUNAKAN ALGORITME SPADE RIFERSON SIJABAT
PENENTUAN POLA SEKUENSIAL DATA TRANSAKSI PEMBELIAN MENGGUNAKAN ALGORITME SPADE RIFERSON SIJABAT DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2011
Lebih terperinciIDENTIFIKASI FIRE SPOT BERDASARKAN POLA SEKUENS TITIK PANAS DAN KLASIFIKASI AREA TERBAKAR DI LAHAN GAMBUT NALAR ISTIQOMAH
IDENTIFIKASI FIRE SPOT BERDASARKAN POLA SEKUENS TITIK PANAS DAN KLASIFIKASI AREA TERBAKAR DI LAHAN GAMBUT NALAR ISTIQOMAH SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2016 PERNYATAAN MENGENAI TESIS
Lebih terperinciPENGEMBANGAN APLIKASI PENENTUAN TINGKAT KEUNTUNGAN PADA E- COMMERCE DENGAN MENGGUNAKAN ALGORITMA K-MEANS DAN APRIORI
PENGEMBANGAN APLIKASI PENENTUAN TINGKAT KEUNTUNGAN PADA E- COMMERCE DENGAN MENGGUNAKAN ALGORITMA K-MEANS DAN APRIORI Gunawan 1, Fandi Halim 2, Tony Saputra Debataraja 3, Julianus Efrata Peranginangin 4
Lebih terperinciTEMPORAL QUESTION ANSWERING SYSTEM BAHASA INDONESIA ADI DARLIANSYAH
TEMPORAL QUESTION ANSWERING SYSTEM BAHASA INDONESIA ADI DARLIANSYAH DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2012 TEMPORAL QUESTION ANSWERING
Lebih terperinciSPATIAL CO-LOCATION PATTERN DARI DATA CUACA DAN KEBAKARAN HUTAN DI ROKAN HILIR, PROVINSI RIAU SERGI ROSELI
SPATIAL CO-LOCATION PATTERN DARI DATA CUACA DAN KEBAKARAN HUTAN DI ROKAN HILIR, PROVINSI RIAU SERGI ROSELI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR
Lebih terperinciMATEMATIKA, FISIKA, KIMIA, BIOLOGI, STATISTIKA, KOMPUTER, STEM, GEOFISIKA DAN METEOROLOGI
SEMIRATA 2014 Bidang MIPA BKS-PTN-Barat "Integrasi sains MIPA untuk mengatasl masalah pangan, energi, kesehatan, reklamasi, dan lingkungan'' IPB International Convention Center dan Kampus IPB Baranangsiang,
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 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 terperinciSEQUENTIAL PATTERN MINING DENGAN SPADE UNTUK PREDIKSI PEMBELIAN SPARE PART DAN AKSESORIS KOMPUTER PADA KEDATANGAN KEMBALI KONSUMEN
SEQUENTIAL PATTERN MINING DENGAN SPADE UNTUK PREDIKSI PEMBELIAN SPARE PART DAN AKSESORIS KOMPUTER PADA KEDATANGAN KEMBALI KONSUMEN Riqky Juliastio dan Gunawan Teknologi Informasi Sekolah Tinggi Teknik
Lebih terperinciPEMBENTUKAN PASSAGE DALAM QUESTION ANSWERING SYSTEM UNTUK DOKUMEN BAHASA INDONESIA SYAHRUL FATHI
PEMBENTUKAN PASSAGE DALAM QUESTION ANSWERING SYSTEM UNTUK DOKUMEN BAHASA INDONESIA SYAHRUL FATHI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2012
Lebih terperinciVISUALISASI POLA SEKUENS TITIK PANAS PADA LAHAN GAMBUT BERBASIS MOBILE APPLICATION MENGGUNAKAN SPADE IQBAL FAKHRI HENDRI
VISUALISASI POLA SEKUENS TITIK PANAS PADA LAHAN GAMBUT BERBASIS MOBILE APPLICATION MENGGUNAKAN SPADE IQBAL FAKHRI HENDRI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT
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 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 terperinciKLASIFIKASI KEMUNCULAN TITIK PANAS PADA LAHAN GAMBUT DI SUMATERA DAN KALIMANTAN MENGGUNAKAN ALGORITME K-NEAREST NEIGHBOR FITRI KUSUMANINGRUM
KLASIFIKASI KEMUNCULAN TITIK PANAS PADA LAHAN GAMBUT DI SUMATERA DAN KALIMANTAN MENGGUNAKAN ALGORITME K-NEAREST NEIGHBOR FITRI KUSUMANINGRUM DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
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 terperinciPENGGUNAAN ADAPTIVE NEURO FUZZY INFERENCE SYSTEM UNTUK PEMBENTUKAN DATA FUZZY DALAM ASSOCIATION RULES MINING LIZZA AMINI GUMILAR
PENGGUNAAN ADAPTIVE NEURO FUZZY INFERENCE SYSTEM UNTUK PEMBENTUKAN DATA FUZZY DALAM ASSOCIATION RULES MINING LIZZA AMINI GUMILAR DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT
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 terperinciSEQUENTIAL PATTERN MINING PADA PENCARIAN POLA PERILAKU PENGGUNA INTERNET MENGGUNAKAN ALGORITMA SPADE
SEQUENTIAL PATTERN MINING PADA PENCARIAN POLA PERILAKU PENGGUNA INTERNET MENGGUNAKAN ALGORITMA SPADE Dika Rizky Yunianto, Candra Dewi, S.Kom.,M.Sc, Novanto Yudistira, S.Kom.,M.Sc Program Studi Teknik Informatika
Lebih terperinciPENCARIAN ATURAN ASOSIASI MENGGUNAKAN ALGORITMA APRIORI SEBAGAI BAHAN REKOMENDASI STRATEGI PEMASARAN PADA TOKO ACIICA
PENCARIAN ATURAN ASOSIASI MENGGUNAKAN ALGORITMA APRIORI SEBAGAI BAHAN REKOMENDASI STRATEGI PEMASARAN PADA TOKO ACIICA SKRIPSI Diajukan untuk Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Komputer
Lebih 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 terperinciPEMBANGUNAN SISTEM DATA MINING UNTUK DIAGNOSIS PENYAKIT DIABETES MENGGUNAKAN ALGORITME CLASSIFICATION BASED ASSOCIATION HERWANTO
PEMBANGUNAN SISTEM DATA MINING UNTUK DIAGNOSIS PENYAKIT DIABETES MENGGUNAKAN ALGORITME CLASSIFICATION BASED ASSOCIATION HERWANTO SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2006 1 PERNYATAAN MENGENAI
Lebih terperinciALGORITMA FP-GROWTH UNTUK PENENTUAN REKOMENDASI PENCARIAN BUKU PERPUSTAKAAN TUGAS AKHIR
ALGORITMA FP-GROWTH UNTUK PENENTUAN REKOMENDASI PENCARIAN BUKU PERPUSTAKAAN TUGAS AKHIR Sebagai Persyaratan Guna Meraih Gelar Sarjana Strata 1 Teknik Informatika Universitas Muhammadiyah Malang Disusun
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang Pelaku bisnis saat ini dituntut selalu inovatif untuk dapat bersaing dengan kompetitor. Bisnis retail seperti Apotek merupakan bisnis dengan persaingan yang sangat
Lebih terperinciPEMBANGUNAN SISTEM DATA MINING UNTUK DIAGNOSIS PENYAKIT DIABETES MENGGUNAKAN ALGORITME CLASSIFICATION BASED ASSOCIATION HERWANTO
PEMBANGUNAN SISTEM DATA MINING UNTUK DIAGNOSIS PENYAKIT DIABETES MENGGUNAKAN ALGORITME CLASSIFICATION BASED ASSOCIATION HERWANTO SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2006 1 PERNYATAAN MENGENAI
Lebih terperinciEKSPANSI KUERI MENGGUNAKAN KAMUS KEDOKTERAN PADA SISTEM TEMU KEMBALI INFORMASI BERBAHASA INDONESIA ENENG MARYANI
EKSPANSI KUERI MENGGUNAKAN KAMUS KEDOKTERAN PADA SISTEM TEMU KEMBALI INFORMASI BERBAHASA INDONESIA ENENG MARYANI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN
Lebih terperinciBAB III METODE PENELITIAN. A. Tempat dan Waktu. 1. Tempat Penelitian. a. Assalam hypermarket merupakan salah satu pusat perbelanjaan di
BAB III METODE PENELITIAN A. Tempat dan Waktu 1. Tempat Penelitian Tempat penelitian merupakan suatu sumber untuk mendapatkan data yang dibutuhkan mengenai masalah yang akan diteliti. Data untuk penelitian
Lebih terperinciPENDUGAAN PARAMETER BEBERAPA SEBARAN POISSON CAMPURAN DAN BEBERAPA SEBARAN DISKRET DENGAN MENGGUNAKAN ALGORITME EM ADE HARIS HIMAWAN
PENDUGAAN PARAMETER BEBERAPA SEBARAN POISSON CAMPURAN DAN BEBERAPA SEBARAN DISKRET DENGAN MENGGUNAKAN ALGORITME EM ADE HARIS HIMAWAN SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2008 PERNYATAAN
Lebih terperinciHASIL DAN PEMBAHASAN. Data
Transformasi data, mengubah data ke bentuk yang dapat di-mine sesuai dengan perangkat lunak yang digunakan pada penelitian. Penentuan Data Latih dan Data Uji Dalam penelitian ini data terdapat dua metode
Lebih terperinciKLASIFIKASI TITIK API DI BENGKALIS RIAU MENGGUNAKAN ALGORITME ID3 SPASIAL YANG DIPERLUAS YAUMIL KHOIRIYAH
KLASIFIKASI TITIK API DI BENGKALIS RIAU MENGGUNAKAN ALGORITME ID3 SPASIAL YANG DIPERLUAS YAUMIL KHOIRIYAH DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR
Lebih terperinciPEMODELAN JARINGAN SYARAF TIRUAN UNTUK PENGENALAN KATA PADA BERBAGAI KONDISI KESEHATAN PEMBICARA BAYU INDRAYANA
PEMODELAN JARINGAN SYARAF TIRUAN UNTUK PENGENALAN KATA PADA BERBAGAI KONDISI KESEHATAN PEMBICARA BAYU INDRAYANA DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN
Lebih terperinciSISTEM MARKET BASKET UNTUK MENENTUKAN TATA LETAK PRODUK PADA SUATU SWALAYAN MENGGUNAKAN ALGORITMA K-MEANS CLUSTERING SKRIPSI STEFFI ANDINA SEBAYANG
SISTEM MARKET BASKET UNTUK MENENTUKAN TATA LETAK PRODUK PADA SUATU SWALAYAN MENGGUNAKAN ALGORITMA K-MEANS CLUSTERING SKRIPSI STEFFI ANDINA SEBAYANG 071402041 PROGRAM STUDI TEKNOLOGI INFORMASI FAKULTAS
Lebih terperinciASSOCIATION RULES PADA TEXT MINING
Text dan Web Mining - FTI UKDW - BUDI SUSANTO 1 ASSOCIATION RULES PADA TEXT MINING Budi Susanto versi 1.4 Text dan Web Mining - FTI UKDW - BUDI SUSANTO 2 Tujuan Memahami algoritma Apriori dan FP-Growth
Lebih terperinciPENGUKURAN KEMIRIPAN CITRA BERBASIS WARNA, BENTUK, DAN TEKSTUR MENGGUNAKAN BAYESIAN NETWORK RIZKI PEBUARDI
PENGUKURAN KEMIRIPAN CITRA BERBASIS WARNA, BENTUK, DAN TEKSTUR MENGGUNAKAN BAYESIAN NETWORK RIZKI PEBUARDI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR
Lebih terperinciSISTEM INFORMASI GEOGRAFIS BERBASIS WEB UNTUK KLASIFIKASI KEMUNCULAN TITIK API DI PROVINSI RIAU MENGGUNAKAN POHON KEPUTUSAN C4.
SISTEM INFORMASI GEOGRAFIS BERBASIS WEB UNTUK KLASIFIKASI KEMUNCULAN TITIK API DI PROVINSI RIAU MENGGUNAKAN POHON KEPUTUSAN C4.5 KHAIRIL AMRI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
Lebih terperinciJournal of Informatics and Technology, Vol 2, No 2, Tahun 2013, p
Journal of Informatics and Technology, Vol 2, No 2, Tahun 2013, p 22-28 http://ejournal-s1.undip.ac.id/index.php/joint APLIKASI DATA MINING ANALISIS DATA TRANSAKSI PENJUALAN OBAT MENGGUNAKAN ALGORITMA
Lebih terperinciHASIL DAN PEMBAHASAN. Praproses
5 4 MySQL sebagai database. 5 Mozilla Firefox sebagai web browser. 6 Microsoft Excel untuk perhitungan hasil penelitian dan pembuatan grafik. Perangkat keras: 1 Prosesor Intel Core i3. 2 RAM 2 GB. 3 Harddisk
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 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 terperinciMETODE PENELITIAN HASIL DAN PEMBAHASAN
5. Oleh karena itu untuk meningkatkan akurasinya, proses learning harus dihentikan lebih awal atau melakukan pemotongan tree secara umum. Untuk itu diberikan 2 (dua) buah threshold yang harus dipenuhi
Lebih terperinciSPATIO-TEMPORAL SEQUENTIAL PATTERN MINING UNTUK DETEKSI DINI KEBAKARAN PADA LAHAN GAMBUT DI PROVINSI RIAU SODIK KIRONO
SPATIO-TEMPORAL SEQUENTIAL PATTERN MINING UNTUK DETEKSI DINI KEBAKARAN PADA LAHAN GAMBUT DI PROVINSI RIAU SODIK KIRONO SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2016 PERNYATAAN MENGENAI TESIS
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 terperinciPENERAPAN DATA MINING UNTUK RENCANA SUKSESI SUMBER DAYA MANUSIA MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBOUR DI PT POS INDONESIA
PENERAPAN DATA MINING UNTUK RENCANA SUKSESI SUMBER DAYA MANUSIA MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBOUR DI PT POS INDONESIA 1 Muhammad Hafiz Ardiansyah, 2 Wahyu Nurjaya WK 1 Program Studi Teknik Informatika,
Lebih terperinciRANCANG BANGUN APLIKASI MARKET BASKET ANALYSIS (MBA) PADA MINIMARKET UD. DIANI DENGAN ALGORITMA CT-PRO
RANCANG BANGUN APLIKASI MARKET BASKET ANALYSIS (MBA) PADA MINIMARKET UD. DIANI DENGAN ALGORITMA CT-PRO Oleh Gede Agus Eka Kharisma Jurusan Pendidikan Teknik Informatika, Fakultas Teknik dan Kejuruan Universitas
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 terperinci1 BAB III METODE PENELITIAN
1 BAB III METODE PENELITIAN 1.1 Desain Penelitian Desain penelitian merupakan tahapan atau gambaran yang akan dilakukan dalam melakukan penelitian. Tahapan-tahapan yang dilakukan dalam penelitian ini dapat
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 terperinciANALISIS SELEKSI ATRIBUT PADA ALGORITMA NAÏVE BAYES DALAM MEMPREDIKSI PENYAKIT JANTUNG
ANALISIS SELEKSI ATRIBUT PADA ALGORITMA NAÏVE BAYES DALAM MEMPREDIKSI PENYAKIT JANTUNG TESIS IVAN JAYA 117038072 PROGRAM STUDI S2 TEKNIK INFORMATIKA FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS
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 1.1. Latar Belakang
BAB I PENDAHULUAN Pada bab ini berisi tentang latar belakang pembuatan dari aplikasi penentuan rekomendasi pencarian buku perpustakaan menggunakan algoritma fp-growth, rumusan masalah, tujuan, batasan
Lebih terperinci