PENGGALIAN POLA CLOSED SEQUENTIAL PADA BASIS DATA YANG BERTAMBAH SECARA BERTAHAP
|
|
- Erlin Harjanti Sudirman
- 6 tahun lalu
- Tontonan:
Transkripsi
1 PENGGALIAN POLA CLOSED SEQUENTIAL PADA BASIS DATA YANG BERTAMBAH SECARA BERTAHAP Budanis Dwi Meilani* dan Arif Djunaidy** Jurusan Teknik Informatika ITS, Surabaya 60111, ABSTRAK Pencarian urutan yang sering muncul (pola sekuensial) adalah menemukan semua sub-urutan yang frekuensi kejadiannya dalam set urutan tidak kurang dari minimum support (frequent sub-sequence) yang ditentukan sebelumnya. Kebanyakan penelitian yang telah dilakukan pada saat ini diberlakukan pada basis data proses statik, dimana sebuah basis data yang mengalami perubahan ( update) memerlukan proses penemuan kembali semua pola sekuensial yang baru dari basis data yang telah berubah. Salah satu cara untuk mengatasi pengulangan proses penemuan kembali dapat dilakukan dengan menggunakan teknik pemeliharaan urutan ( maintaining sequences) pada saat terjadi perubahan basis data ( database updates). Teknik tersebut merupakan suatu algoritma untuk menangani basis data yang bertambah secara bertahap (incremental) yang dikembangkan untuk pola sekuensial terutama ketika pertumbuhan urutan secara bertahap menyebabkan pembuatan pola baru dalam kaitan dengan interaksi pertumbuhan sub-urutan dari basis data asli. Proses yang dilakukan algoritma incremental adalah ketika ada penambahan basis data ( database updated) maka penggalian pola dilakukan pada basis data baru yang ditambahkan, kemudian dilakukan pengujian terhadap pola yang disimpan di buffering, sehingga menghasilkan pola yang baru (gabungan pola yang lama dan pola yang baru). Pola Closed Sequential (closed sequential pattern), salah satu cara untuk mengatasi duplikasi pola pada pola sekuensial yang sudah dihasilkan. Untuk menghasilkan pola closed sequential dilakukan proses pengujian dari pola sequential. Pengujian dilakukan dengan pencarian subpola yaitu menguji apakah suatu pola yang baru ditemukan dapat diserap oleh suatu penggalian pola closed sequential dan pencarian super pola yaitu pengujian apakah pola yang ditemukan dapat menyerap beberapa pola closed sequential yang telah digali. Hasil dari penelitian ini adalah waktu komputasi yang diperlukan algoritma incremental closed sequential untuk data yang telah mengalami perubahan lebih cepat daripada waktu yang diperlukan untuk algoritma closed sequential karena proses penggalian pola tidak dilakukan pada keseluruhan basis data yang berubah, melainkan penggalian pola dilakukan pada basis data yang ditambahkan saja yang kemudian dilakukan pengujian terhadap pola yang disimpan di buffering, sehingga menghasilkan pola yang baru (gabungan pola yang lama dan pola yang baru). Kata Kunci : Penggalian Pola Close sequential, frequent sequential, pola sequential PENDAHULUAN Pencarian urutan yang sering muncul (pola sekuensial) adalah suatu pencarian data yang penting dan juga merupakan suatu tema penelitian yang menarik dalam data mining. Jika diberikan suatu basis data urutan di mana masing-masing urutan adalah daftar transaksi yang diurut berdasarkan waktu transaksi dan masing-masing transaksi adalah satu set item, dan diberikan suatu ambang batas dukungan ( support) minimum,
2 maka pencarian pola sekuensial akan berupaya untuk menemukan semua sub-urutan yang frekuensi kejadiannya dalam set urutan tidak kurang dari minimum support (frequent sub-sequence) (Agrawal, 1995). Penemuan pola sekuensial dalam basis data adalah suatu masalah data mining yang penting. Kebanyakan penelitian yang telah dilakukan pada saat ini diberlakukan pada basis data proses static dimana sebuah basis data yang mengalami perubahan (update) memerlukan penemuan kembali semua pola sekuensial yang baru. Untuk menemukan pola yang baru, proses yang dilakukan adalah membaca kembali (scanning) keseluruhan basis data yang telah berubah (dari lama k e baru). Proses yang demikian akan menghabiskan waktu komputasi untuk pencarian kembali pola sekuensial yang baru. Kejadian ini sebenarnya tidak diinginkan untuk penggalian pola sekuensial ( mine sequential pattern) terutama untuk setiap kali urutan ( sequence) tumbuh atau urutan baru ditambahkan ke dalam basis data. Salah satu cara untuk mengatasi masalah tersebut, dilakukan suatu teknik untuk pemeliharaan urutan ( maintaining sequences) pada perubahan basis data (database updates). Teknik tersebut merupakan algoritma untuk menangani basis data yang bertambah secara bertahap (incremental) yang dikembangkan untuk pola sekuensial terutama ketika pertumbuhan urutan secara bertahap menyebabkan pembuatan pola baru dalam kaitan dengan interaksi pertumbuhan sub-urutan dari basis data asli (Cheng, 2004). Proses yang dilakukan algoritma incremental adalah ketika ada penambahan basis data ( database updated) maka pembacaan dilakukan hanya pada basis data baru yang ditambahkan, sehingga proses tersebut akan mengurangi waktu komputasi untuk pencarian kembali pola sekuensial yang baru. Salah satu permasalahan yang timbul dalam pencarian pola sekuensial adalah kemungkinan dihasilkannya jumlah pola yang eksponensial, terutama untuk urutan yang panjang dan urutan tersebut sering muncul (frequent sequence) dalam basis data. Kemungkinan beberapa sub-urutan mempunyai dukungan yang sama pada urutan yang panjang, sehingga dapat terjadi duplikasi pola. Salah satu cara untuk mengatasi duplikasi pola pada pola sekuensial, dapat dilakukan dengan mencari frequent closed subsequences, yang tidak berisi superurutan dengan dukungan yang sama sehingga dapat mencari pola closed sequential [Yan, 2003]. Suatu pola sekuensial s dikatakan closed jika tidak ada sub-pola s dengan nilai dukungan yang sama dalam basis data. Dalam mencari pola frequent closed sequential pencarian hanya dilakukan pada urutan yang sering muncul pada basis data transaksi yang hanya bersifat closed dimana tidak ada super-pola s dengan nilai dukungan yang sama dalam basis data sehingga pola yang dihasilkan lebih sedikit dari pada pola sekuensial. Pencarian pola sekuensial pada basis data yang selalu dinamis merupakan permasalahan dalam data mining. Untuk menyelesaikan permasalahan tersebut maka algoritma untuk bertambahnya data secara bertahap ( Incremental) pada basis data merupakan solusi dimana proses tersebut lebih efisien terutama dapat memperkecil waktu komputasi untuk pencarian pola sekuensial yang baru. Untuk pertimbangan efektivitas dan efisiensi maka penelitian ini akan membuat algoritma untuk penggalian pola closed sequential pada basis data yang mengalami penambahan data secara bertahap (Incremental). Ide yang harus dibangun adalah dengan menggabungkan dua algoritma yaitu algoritma untuk penggalian penambahan data secara bertahap ( Incremental Mining) dan algoritma Closed Sequential Pattern sehingga diharapkan dapat memperkecil waktu pencarian pola. C-5-2
3 METODA Dalam bab ini dijelaskan mengenai desain algoritma pencarian pola closed sequential terhadap adanya penambahan data secara bertahap yang meliputi desain sistem secara keseluruhan, desain modul pencarian pola closed sequential dan desain modul pencarian pola closed sequential terhadap adanya penambahan data secara bertahap. Sistem Secara Keseluruhan Pencarian Pola Closed Sequential Terhadap Adanya Penambahan Data Secara Bertahap Sistem pencarian pola closed sequential terhadap adanya penambahan data secara bertahap terdiri dari dua modul, antara lain: (a) modul pencarian pola closed sequential, dan (b) modul pen carian pola closed sequential terhadap adanya penambahan data secara bertahap. Tabel customer sequence SDB, min_sup dan pencarian pola closed sequential pola closed sequential dan pola semi closed sequential Tabel customer sequence SDB pencarian pola closed sequential terhadap adanya penambahan data secara bertahap Gambar 1. Blok Diagram Sistem Pencarian Pola Closed Sequential terhadap adanya penambahan data secara bertahap Blok diagram sistem keseluruhan pencarian pola closed sequential terhadap adanya penambahan data secara bertahap ditunjukkan pada Gambar 1. Masukan dari sistem pencarian pola closed sequential terhadap adanya penambahan data secara bertahap ini dibatasi berupa tabel transaksi customer sequence yang terdiri dari customer ID dan customer sequence, minimum support dan faktor dimana 1. Faktor digunakan untuk menghasilkan buffer semi closed sequential pattern yaitu pola closed sequential yang hampir sering muncul, dengan menggunakan pendekatan statistics-based. Teknik ini menggunakan lower min_sup dengan buffer ratio 1. Sedangkan hasil luaran sistem adalah pola closed sequential dan pola semi closed sequential. Pola closed sequential adalah pola yang sesungguhnya dihasilkan sedangkan pola semi closed sequential adalah pola yang akan disimpan di buffer untuk proses selanjutnya apabila ada penambahan data secara bertahap. Pencarian Pola Closed Sequential Sistem pencarian pola closed sequential terdiri dari dua algoritma, antara lain: (a) algoritma pencarian pola closed sequential, dan (b) algoritma subroutine Bideku. C-5-3
4 Tabel customer sequence SDB min_sup dan pencarian pola closed sequential pola closed sequential dan pola semi closed sequential Subroutine Bideku Gambar 2. Blok Diagram Modul Pencarian Pola Closed Sequential Blok diagram modul pencarian pola closed sequential ditunjukkan pada Gambar 2. Masukan modul pencarian pola closed sequential adalah tabel transaksi customer sequence SDB yang terdiri dari customer ID dan customer sequence, minimum support threshold min_sup, dan faktor dimana 1. Sedangkan hasil luaran sistem adalah pola closed sequential dan pola semi closed sequential. 1. FCS = 0 dan SCS = 0 2. F1 = scan basis data SDB untuk menemukan frequent dan semi frequent 1 sequence 3. FOR (masing-masing frequent dan semi frequent 1 sequence dalam F1) 4. SDB f1 = membangun pseudo proyeksi basis data 5. FOR (perlakukan masing-masing frequent dan semi frequent 1 sequence f1 dalam F1 sebagai prefix) 6. IF (menggunakan metode BackScan pruning untuk memeriksa jika dapat pruning, jika tidak) 7. BEI = menghitung banyaknya backward extension item 8. memanggil subroutine bideku(sdb f1, f1, min_sup,, BEI, FCS,SCS) 9. return Gambar 3. Algoritma Pencarian Pola Closed Sequential Algoritma di atas menunjukkan algoritma mencari pola closed sequential. Pertama pemberian nilai awal nol untuk FCS atau frequent closed sequential dan SCS atau semi frequent closed sequential. Kemudian scan basis data SDB sekali untuk menemukan frequent dan semi frequent satu sequences F1. Frequent satu sequences (urutan yang sering muncul) adalah sequences satu item yang supportnya tidak kurang dari minimum_support, sedangkan Semi Frequent satu sequences (urutan yang hampir sering muncul) adalah sequences satu item yang supportnya tidak kurang dari minimum_support *. Setelah menemukan frequent dan semi frequent satu sequences F1 kemudian membangun pseudo proyeksi basis data untuk masing-masing frequent dan semi frequent satu sequences SDB f1. Langkah selanjutnya perlakukan masingmasing frequent dan semi frequent satu sequences fi dalam F1 sebagai prefix dan menggunakan metoda BackScan pruning untuk memeriksa jika dapat pruned. Jika tidak, maka proses dilanjutkan dengan menghitung banyaknya backward-extension-items, dan kemudian memanggil subroutine bideku(sp_sdb, Sp, min_sup,, BEI, FCS.SCS). Masukan algoritma subroutine bideku adalah proyeksi basis data Sp_SDB, sebuah prefix sequence Sp, minimum support, nilai dari faktor, nilai backward extension item BEI. Sedangkan hasil luaran sistem adalah pola closed sequential FCS dan pola semi closed sequential SCS. C-5-4
5 1. LFI = scan proyeksi basis data Sp_SDB untuk menemukan lokal item frequent dan semi frequent 2. FEI = menghitung banyaknya forward extension item untuk LFI 3. IF ( (BEI + FEI) = 0 ) 4. IF (support Sp < min_sup) 5. SCS = SCS {Sp} 6. ELSE 7. FCS = FCS {Sp} 8. FOR ( untuk masing masing i dalam LFI ) 9. Sp i = menumbuhkan Sp dalam lexicographical order untuk mendapatkan prefix baru 10. SDB Spi = membangun pseudo proyeksi basis data untuk prefix yang baru 11. FOR ( untuk masing-masing prefix baru) 12. IF (periksa jika dapat pruning, jika tidak) 13. BEI = menghitung backward extension item (Sp i, SDB Spi ) 14. memanggil dirinya sendiri bideku (SDB Spi, Sp i, min_sup,, BEI, FCS, SCS) Gambar 4. Algoritma Subroutine Bideku Subroutine bideku(sp_sdb, Sp, min_sup,, BEI, FCS,SCS) secara berulang memanggil dirinya sendiri dan bekerja sebagai berikut: Untuk prefix Sp, scan proyeksi basis data Sp_SDB sekali untuk menemukan lokal frequent item LFI, kemudian menghitung banyaknya forward-extension items FEI. Jika tidak ada backwardextension-item BEI maupun forward-extension-item FEI, dan nilai support Sp < minimum support maka tambahkan output Sp sebagai Semi Closed Sequence SCS, jika tidak maka tambahkan output Sp sebagai Frequent Closed Sequence FCS. Proses selanjutnya menumbuhkan Sp dalam lexicographical order pada masing-masing i dalam lokal frequent item LFI untuk mendapatkan prefix baru Sp i dan membangun pseudo proyeksi database untuk prefix yang baru SDB Spi. Kemudian untuk masing-masing prefix baru Sp i, diperiksa jika dapat pruned, jika tidak, menghitung banyaknya backward-extension-items BEI dan memanggil bideku (SDB Spi, Sp i, min_sup,, BEI, FCS,SCS). Metoda BackScan Pruning Algoritma pola Closed Sequential adalah algoritma yang menemukan frequent sequence yang kemudian memeriksa pola frequent Sequential yang ditemukan apakah closed untuk menghasilkan himpunan lengkap non-redundant frequence sequence. Walaupun closure checking schema atau proses pemeriksaan apakah closed dapat mendorong kearah hasil set yang lebih ringkas, tetapi tidak bisa meningkatkan efisiensi penggalian. FOR (masing-masing sequence yang ada pada basis data SDB) Mencari Sp_SDB_awal untuk item pada Sp dan dihitung supportnya FOR (masing-masing Sp_SDB awal untuk item pada Sp) IF(ada item diawal item Sp yang mempunyai support sama dengan item Sp) return (dipruning) ELSE return(tidak dipruning) Gambar 5. Algoritma BackScan Pruning C-5-5
6 Menghitung Backward-Extension-Items Menghitung Backward-Extension-Items (BEI) adalah menghitung item yang berada di belakang prefix sequence Sp yang supportnya tidak kurang atau sama dengan support prefix sequence Sp. Menghitung Forward-Extension-Items Menghitung Forward-Extension-Items (FEI) adalah menghitung item yang berada di awal prefix sequence Sp yang supportnya tidak kurang dari support prefix sequence Sp. Menghitung Lokal Item Frequence Lokal Item Frequence (LFI) adalah menghitung item yang berada di belakang prefix sequence Sp yang supportnya tidak kurang dari minimum support. Pencarian Pola Closed Sequential Terhadap Adanya Penambahan Data Secara Bertahap Sistem pencarian pola closed sequential terhadap adanya penambahan data secara bertahap terdiri dari tiga algoritma, antara lain: (a) algoritma pencarian pola closed sequential terhadap adanya penambahan data secara bertahap, (b) algoritma subroutine Incrementalku dan (c) algoritma subroutine gabung. pola closed sequential dan pola semi closed sequential Tabel customer sequence SDB min_sup dan pencarian pola closed sequential terhadap adanya penambahan data secara bertahap Subroutine Incrementalku Subroutine Gabung Gambar 6. Blok Diagram modul Pencarian Pola Closed Sequential terhadap adanya Penambahan Data Secara Bertahap Blok diagram modul pencarian pola closed sequential terhadap adanya penambahan data secara bertahap ditunjukkan pada gambar 6. Untuk penambahan data secara bertahap dibatasi pada penambahan appended yaitu penambahan pada sequence yang sudah ada. Masukan modul pencarian pola closed sequential terhadap adanya penambahan data secara bertahap adalah tabel transaksi customer sequence SDB yaitu tabel customer sequence yang bertambah secara bertahap terdiri dari customer ID dan customer sequence, minimum_support,, pola closed sequential FCS dan pola semi closed sequential SCS. Sedangkan hasil luaran sistem adalah pola closed sequential FCS dan pola semi closed sequential SCS. C-5-6
7 1. F1 = scan basis data yang mengalami penambahan (SDB + SDB ) untuk menemukan frequent dan semi frequent 1 sequence 2. SDB lama =SDB yang akan mengalami penambahan data 3. FOR (masing-masing frequent dan semi frequent 1 sequence dalam F1) 4. SDB f1 = membangun pseudo proyeksi basis data 5. FOR (perlakukan masing -masing frequent dan semi frequent 1 sequence f1 dalam F1 sebagai prefix) 6. IF (menggunakan metode BackScan pruning untuk memeriksa jika dapat pruning, jika tidak) 7. memanggil subroutine Incrementalku(SDB f1, f1, min_sup, ) 8. return Gambar 7. Algoritma Pencarian Pola Closed Sequential Terhadap Adanya Penambahan Data Secara Bertahap Algoritma di atas menunjukkan algoritma mencari pola closed sequential terhadap adanya penambahan data secara bertahap. Langkah pertama melakukan scan basis data yang mengalami penambah (SDB + SDB ) untuk mencari frequent dan semi frequent item 1 sequence F1. Frequent satu sequences (urutan yang sering muncul) adalah sequences satu item yang supportnya tidak kurang dari minimum_support, sedangkan Semi Frequent satu sequences (urutan yang hampir sering muncul) adalah sequences satu item yang supportnya tidak kurang dari minimum_support * dan support kurang dari minimum_support. Setelah menemukan frequent dan semi frequent satu sequences F1, maka membaca SDB lama adalah SDB yang akan mengalami penambahan data. Kemudian untuk masing-masing frequent dan semi frequent item 1 sequence F1 sebagai prefix dilakukan pengujian apakah dapat dipruning, jika tidak dapat dipruning melakukan pemanggilan subroutine Incrementalku(SDB f1, f1, min_sup, ). Masukan algoritma subroutine Incrementalku adalah proyeksi basis data Sp_SDB, sebuah prefix sequence Sp, minimum support, nilai dari faktor. Sedangkan hasil luaran sistem adalah pola closed sequential FCS dan pola semi closed sequential SCS. 1. LFI = scan proyeksi basis data Sp_SDB untuk menemukan lokal item frequent dan semi frequent 2. IF (Sp terdapat pada SDB lama) 3. Lakukan penyesuaian nilai support 4. IF (support Sp >= 1 ) 5. memanggil subroutine Gabung(Sp, support, min_sup,, FCS, SCS) 6. FOR ( untuk masing masing i dalam LFI ) 7. Sp i = menumbuhkan Sp dalam lexicographical order untuk mendapatkan prefix baru 8. SDB Spi = membangun pseudo proyeksi basis data untuk prefix yang baru 9. FOR ( untuk masing-masing prefix baru Sp i ) Gambar 8. Algoritma subroutine Incrementalku Algoritma di atas menunjukkan algoritma subroutine Incrementalku. Langkah pertama melakukan scan basis data Sp_SDB untuk menemukan lokal item frequent dan C-5-7
8 semi frequent (LFI). Kemudian dilakukan pengujian Sp apakah terdapat pada SDB lama, Jika Ya lakukan penyesuaian nilai support. Jika nilai suport >= 1 maka memanggil subroutine gabung(sp, support, min_sup,, FCS, SCS). Untuk masingmasing i pada LFI menumbuhkan Sp dalam lexicographical order untuk mendapatkan prefix baru dan membangun pseudo proyeksi basis data Sp sebagai prefix baru. Untuk masing-masing prefix baru memanggil dirinya sendiri subroutine Incrementalku(Sp_SDB, Sp, min_sup,, FCS, SCS). Subroutine Gabung(Sp, support, min_sup,, FCS, SCS), masukan algoritma subroutine Gabung adalah Sp, nilai support Sp, minimum support, nilai dari faktor. Sedangkan hasil luaran sistem adalah pola closed sequential FCS dan pola semi closed sequential SCS. 1. IF (pola Sp ada pada FCS atau SCS) 2. lakukan penyesuaian support pola Sp pada FCS atau SCS 3. IF pola Sp pada SCS support >= minimum_support 4. pindahkan pola Sp pada FCS 5. ELSE 6. IF pola Sp terdapat pada SDB 7. tambahkan nilai supportnya 8. IF (pola Sp merupakan superpola pada FCS atau SCS) 9. tambahkan Sp pada FCS atau SCS dan hapus subpola nya 10. ELSE 11. IF (pola Sp merupakan subpola pada FCS atau SCS) 12. return 13. ELSE 14. IF pola Sp supportnya >= min_sup 15. tambahkan pola Sp pada FCS 16. ELSE 17. IF pola Sp supportnya >= min_sup * 18. tambahkan pola Sp pada SCS Gambar 9. Algoritma subroutine Gabung Algoritma di atas menunjukkan algoritma subroutine Gabung. Langkah pertama melakukan pengujian apakah pola Sp terdapat pada FCS atau SCS, jika ya lakukan penyesuaian support pada pola FCS atau SCS. Jika pola Sp pada SCS supportnya >= min_support maka pindahkan pola Sp pada FCS. Jika pola Sp tidak terdapat pada FCS atau SCS maka lakukan pengujian apakah pola SP terdapat pada SDB, jika ya lakukan penambahan nilai support. Lakukan pengujian untuk Sp apakah merupakan superpola pada FCS atau SCS, jika Ya tambahkan Sp pada FCS atau SCS dan hapus subpolanya. Jika tidaka lakukan pengujian apakah merupakan subpola pada FCS atau SCS, Jika Ya abaikan. Jika Tidak maka lakukan pengujian apakah pola Sp support >= min_sup, jika ya tambahkan pola Sp pada FCS, jika suppoort >= min_sup* maka tambahkan pola Sp pada SCS. HASIL DAN DISKUSI Sesuai dengan scenario, pelaksanaan dan hasil uji coba maka analisis hasil uji coba dikelompokkan berdasarkan konfigurasi basis data dengan menggunakan algoritma Closed Sequential dan algoritma Incremental Closed Sequential. Analisis hasil uji coba dengan algoritma Closed Sequential, pengujian dilakukan menggunakan C-5-8
9 basis data A dan B dengan min_support yang bervariasi menunjukkan bahwa dengan nilai minimum support yang tinggi akan menghasilkan waktu komputasi lebih cepat dibanding dengan min_support yang nilainya lebih rendah. Analisis hasil uji coba dengan algoritma Incremental Closed Sequential, pengujian pertama-tama dilakukan dengan menggunakan basis data tanpa adanya penambahan basis data dengan menggunakan algoritma Closed Sequential dan algoritma Incremental Closed Sequential. Hasil uji coba mengatakan bahwa waktu yang dihasilkan dengan minimum support yang bervariasi menunjukkan bahwa algoritma Closed Sequential menghasilkan waktu lebih cepat daripada algoritma Incremental Closed Sequential dikarenakan untuk algoritma Incremental Closed Sequential selain mencari frequent Closed Sequential juga mencari Semi Frequent closed Sequential yang nantinya akan disimpan di buffer. Pengujian kedua dilakukan dengan menggunakan basis data yang bertambah 25%, 50% dan 80%. Pengujian penambahan basis data dengan algoritma Incremental Closed Sequential dengan minimum support yang bervariasi. Dengan penambahan basis data tersebut menggunakan algoritma Incremental Closed Sequential akan menghasilkan waktu komputasi lebih cepat dari pada menggunakan algoritma Closed Sequential. KESIMPULAN Penggalian Closed Sequential pattern yang diharapkan dari penelitian ini menghasilkan pola Frequent Closed Sequential yang tidak mengandung duplikasi. Dengan menggunakan algoritma Closed Sequential Pattern dan algoritma Incremental Closed Sequential Pattern dibuktikan bahwa pola yang dihasilkan adalah sama. Waktu komputasi yang diperlukan oleh algoritma incremental closed sequential untuk data yang telah mengalami perubahan lebih cepat daripada waktu yang diperlukan untuk algoritma closed sequential karena proses penggalian pola tidak dilakukan pada keseluruhan basis data yang berubah, melainkan proses penggalian pola dilakukan pada basis data yang ditambahkan saja yang kemudian digabungkan dengan pola yang sudah tersimpan di buffering (gabungan pola yang lama dan pola yang baru) sehingga menghasilkan pola closed sequential yang baru. DAFTAR PUSTAKA F. Masseglia, P. Ponceret M. Teisseire, 2002, Incremental Mining of Sequential Pattern in Large Databases, Universite de Versailles 45 des Etats-Unis Versailles Cedex, France. Hong Cheng, Xifeng Yan, Jiawei Han, 2004, IncSpan: Incremental Mining of Sequential Pattern in Large Database, Departement of Computer Science University of illiosi at Urbana-Champaign, Illinois, U.S.A. Jianyong Wang and Jiawei Han, 2004, BIDE: Efficient Mining of Frequent Closed Sequences, Departement of Computer Science University of illiosi at Urbana- Champaign, Illinois, U.S.A. R. Agrawal and R. Srikant, 1995, Mining Sequential Pattern, IBM Almaden Research Center 650 Harry Road, San Jose, CA S. Parthasarathy, M. J. Zaki, M. Ogihara, S. Dwarkadas, 1999, Incremental and Interactive Sequence Mining, Computer Science Dept., U. of Rochester, Rochester. Xifeng Yan, Jiawei Han, Ramin Afshar, 2004, CloSpan: Closed Sequential Pattern in Large Datasets, Departement of Computer Science University of illiosi at Urbana-Champaign, Illinois, U.S.A. C-5-9
Penelitian ini melakukan pencarian
7 Penelitian ini melakukan pencarian () berdasarkan urutan proses dalam bagan alir minimal non-redundant association rules mining yang ditampilkan pada Gambar 3. Penelitian ini menggunakan hasil praproses
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 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 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 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 terperinciPENERAPAN ASSOCIATION RULE MINING PADA DATA NOMOR UNIK PENDIDIK DAN TENAGA KEPENDIDIKAN
PENERAPAN ASSOCIATION RULE MINING PADA DATA NOMOR UNIK PENDIDIK DAN TENAGA KEPENDIDIKAN A M I UNTUK R U D D PENETAPAN I N POLA SERTFIKASI GURU Program Pascasarjana rusan Teknik Elektro Program Studi Telematika
Lebih 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 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 terperinciPENERAPAN ALGORITMA APRIORI DALAM MEMPREDIKSI PERSEDIAAN BUKU PADA PERPUSTAKAAN SMA DWI TUNGGAL TANJUNG MORAWA
PENERAPAN ALGORITMA APRIORI DALAM MEMPREDIKSI PERSEDIAAN BUKU PADA PERPUSTAKAAN SMA DWI TUNGGAL TANJUNG MORAWA Domma Lingga Mahasiswa Program Studi Teknik Informatika STMIK Budidarma Medan Jl. Sisingamangaraja
Lebih 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 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 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 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 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 terperinciALGORITMA GENERALIZED SEQUENTIAL PATTERN UNTUK MENGGALI DATA SEKUENSIAL SIRKULASI BUKU PADA PERPUSTAKAAN UK PETRA
ALGORITMA GENERALIZED SEQUENTIAL PATTERN UNTUK MENGGALI DATA SEKUENSIAL SIRKULASI BUKU PADA PERPUSTAKAAN UK PETRA Gregorius Satia Budhi 1, Andreas Handojo, Christine Oktavina Wirawan 1,, Jurusan Teknik
Lebih 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 terperinciALGORITMA GENERALIZED SEQUENTIAL PATTERN UNTUK MENGGALI DATA SEKUENSIAL SIRKULASI BUKU PADA PERPUSTAKAAN UK PETRA
ALGORITMA GENERALIZED SEQUENTIAL PATTERN UNTUK MENGGALI DATA SEKUENSIAL SIRKULASI BUKU PADA PERPUSTAKAAN UK PETRA Gregorius Satia Budhi 1, Andreas Handojo, Christine Oktavina Wirawan 1,, Jurusan Teknik
Lebih 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 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 terperinciBAB IV METEDOLOGI PENELITIAN
BAB IV METEDOLOGI PENELITIAN 4.1. Desain Penelitian Desain penelitian yang digunakan adalah pendekatan cross sectional. Penelitian cross sectional dicirikan dengan satu pengukuran atau observasi untuk
Lebih terperinciBAB IV PERANCANGAN. IV.1 Evaluasi Usulan untuk Perancangan Iteratif
Prosedure PrefixSpan(input: a: l: integer, S: Sequence database) { Mencari Sequential Pattern pada sequence database S } Deklarasi D : Temporary Sequence Database Lst : List of Sequential Pattern Sq :
Lebih terperinciBAB 3 ANALISIS HIPOTESIS
BAB 3 ANALISIS HIPOTESIS Pada bagian ini dibahas mengenai analisis hipotesis sequential pattern dapat dimanfaatkan sebagai node ordering dalam mengkonstruksi struktur BN. Analisis dimulai dengan melakukan
Lebih 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 terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA Pada tinjauan pustaka ini akan dibahas tentang konsep dasar dan teori-teori yang mendukung pembahasan yang berhubungan dengan sistem yang akan dibuat. 2.1 Basis Data (Database) Database
Lebih 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 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 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 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 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 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 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 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 terperinciIMPLEMENTASI ALGORITMA APRIORI UNTUK MENEMUKAN FREQUENT ITEMSET DALAM KERANJANG BELANJA
Teknologi Elektro, Vol. 15, No.2, Juli - Desember 2016 27 IMPLEMENTASI ALGORITMA APRIORI UNTUK MENEMUKAN FREQUENT ITEMSET DALAM KERANJANG BELANJA Adie Wahyudi Oktavia Gama 1, I Ketut Gede Darma Putra 2,
Lebih terperinciAPLIKASI DATA MINING UNTUK POLA PERMINTAAN DARAH DI UDD ( UNIT DONOR DARAH ) PMI KOTA SURABAYA MENGGUNAKAN METODE APRIORI
APLIKASI DATA MINING UNTUK POLA PERMINTAAN DARAH DI UDD ( UNIT DONOR DARAH ) PMI KOTA SURABAYA MENGGUNAKAN METODE APRIORI Budanis Dwi Meilani, dan Dermawan Cahyo Utomo Jurusan Teknik Informatika, Fakultas
Lebih terperinciRANCANG BANGUN APLIKASI DATA MINING ANALISIS TINGKAT KELULUSAN MENGGUNAKAN ALGORITMA FP-GROWTH (Studi Kasus Di Politeknik Negeri Malang)
RANCANG BANGUN APLIKASI DATA MINING ANALISIS TINGKAT KELULUSAN MENGGUNAKAN ALGORITMA FP-GROWTH (Studi Kasus Di Politeknik Negeri Malang) Naufal Farras Hilmy 1, Banni Satria Andoko 2 Program Studi Teknik
Lebih terperinciLink Analysis (Superset) 3 Kategori Link Analysis (#1) 3 Kategori Link Analysis (#2) Association Rule Mining. 3 Kategori Link Analysis (#3)
Knowledge Discovery in Databases (IS704) dan Data Mining (CS704) Kuliah #7: Association Rules Mining (Bagian 1) Gunawan Jurusan Teknik Informatika Link Analysis (Superset) Tujuan: Mencari hubungan antara
Lebih terperinciUKDW BAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Dewasa ini, informasi menjadi hal yang penting dan berharga bagi kehidupan manusia. Tak dapat dipungkiri, bahwa di jaman yang seperti ini, orang akan mempunyai
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 terperinciABSTRAK. Kata Kunci: Jejaring sosial, Film, Sistem Rekomendasi, Generalized Sequential Pattern, RuleGen.
Rancang Bangun Website Jejaring Sosial Penyedia Informasi Film Dengan Fitur Rekomendasi Pertemanan Menggunakan Algoritma Generalized Sequential Pattern dan RuleGen Reza Arif Rachman Universitas Ciputra
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 terperinciKLASTERISASI BERDASARKAN KESAMAAN POLA DENGAN MENGGUNAKAN ALGORITMA PCLUSTER (Kata kunci: Penggalian Data, Klasterisasi Kesamaan Pola)
PRESENTASI TUGAS AKHIR KI091391 KLASTERISASI BERDASARKAN KESAMAAN POLA DENGAN MENGGUNAKAN ALGORITMA PCLUSTER (Kata kunci: Penggalian Data, Klasterisasi Kesamaan Pola) Penyusun Tugas Akhir : Kartika Wijayati
Lebih terperinciPENGENALAN POLA TRANSAKSI SIRKULASI BUKU PADA DATABASE PERPUSTAKAAN MENGGUNAKAN ALGORITMA GENERALIZED SEQUENTIAL PATTERN
PENGENALAN POLA TRANSAKSI SIRKULASI BUKU PADA DATABASE PERPUSTAKAAN MENGGUNAKAN ALGORITMA GENERALIZED SEQUENTIAL PATTERN Supardi 1, Dian Eka Ratnawati, Wayan Firdaus Mahmudy Universitas Brawijaya Malang
Lebih 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 terperinciBAB III ANALISIS DAN DESAIN SISTEM
BAB III ANALISIS DAN DESAIN SISTEM III.1. Analisis Masalah Kebutuhan akan teori dalam dunia pendidikan sangat besar. Teori banyak di tulis ke dalam sebuah buku maupun jurnal. Pada universitas potensi utama,
Lebih terperinciBAB 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 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. yang cepat dan besar di Asia (Kartiwi, 2006). Pertumbuhan e-commerce yang
BAB I PENDAHULUAN 1.1 Latar Belakang Indonesia adalah salah satu negara dengan pertumbuhan pasar e-commerce yang cepat dan besar di Asia (Kartiwi, 2006). Pertumbuhan e-commerce yang besar tersebut membuat
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1. Aplikasi Data Mining Data mining adalah suatu istilah yang digunakan untuk menemukan pengetahuan yang tersembunyi di dalam database. Data mining merupakan proses semi otomatik
Lebih terperinciBAB 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 terperinciPEMBANGKITAN KAIDAH ASOSIASI DARI TOP-K FREQUENT CLOSED ITEMSET YANG DIDASARKAN PADA STRUKTUR DATA BERBASIS LATTICE
PEMBANGKITAN KAIDAH ASOSIASI DARI TOP-K FREQUENT CLOSED ITEMSET YANG DIDASARKAN PADA STRUKTUR DATA BERBASIS LATTICE Dian Puspita Hapsari dan Arif Djunaidy Fakultas Teknologi Informasi, Institut Teknologi
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 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 terperinciBAB II TINJAUAN PUSTAKA. pengetahuan di dalam database. Data mining adalah proses yang menggunakan
6 BAB II TINJAUAN PUSTAKA 2.1 Pengertian Data Mining Data mining adalah suatu istilah yang digunakan untuk menguraikan penemuan pengetahuan di dalam database. Data mining adalah proses yang menggunakan
Lebih 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 1.1 Latar Belakang Dewasa ini, informasi merupakan suatu hal yang memegang peranan yang sangat penting di dalam kehidupan manusia. Di setiap aspek kehidupan manusia, baik dalam bisnis,
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 terperinciERROR-TOLERANT FASCICLES UNTUK COLLABORATIVE FILTERING ABSTRAK
ERROR-TOLERANT FASCICLES UNTUK COLLABORATIVE FILTERING Gunawan, Herman Budianto, Dody Soegiharto, dan Indra Maryati Jurusan Teknik Informatika Sekolah Tinggi Teknik Surabaya gunawan@stts.edu, herman@stts.edu,
Lebih terperinciBAB III ANALISIS DAN DESAIN SISTEM
BAB III ANALISIS DAN DESAIN SISTEM III.. Analisis Masalah Pada zaman saat ini sepeda motor banyak digunakan di jalanan, banyak masyarakat menggunakan sepeda motor karena kepraktisan di dalam penggunaanya.
Lebih 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 terperinciBAB I PENDAHULUAN. Data mining memungkinkan penemuan pola-pola yang menarik, informasi yang
1 BAB I PENDAHULUAN Bab pendahuluan ini membahas tentang latar belakang masalah yaitu fenomena perkembangan data yang terus bertambah tetapi informasi yang dihasilkan monoton, sehingga diperlukan data
Lebih 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 terperinciPENINGKATAN PERFORMA ALGORITMA APRIORI UNTUK ATURAN ASOSIASI DATA MINING
PENINGKATAN PERFORMA ALGORITMA APRIORI UNTUK ATURAN ASOSIASI DATA MINING Andreas Chandra Teknik Informatika STMIK AMIKOM Yogyakarta Jl Ring road Utara, Condongcatur, Sleman, Yogyakarta 55281 Email : andreaschaandra@yahoo.com
Lebih 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 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 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 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 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 terperinciFREQUENT ITEMSET MINING MENGGUNAKAN ALGORITMA DF-APRIORI
REQUENT ITEMSET MINING MENGGUNAKAN ALGORITMA D-APRIORI Suhatati Tjandra Dosen Teknik Informatika Sekolah Tinggi Teknik Surabaya e-mail : tati@stts.edu ABSTRAK requent itemset mining adalah algoritma yang
Lebih terperinciAplikasi Data Mining dengan Menggunakan Teknik ARM untuk Pengolahan Informasi Rendemen Obat
Aplikasi Data Mining dengan Menggunakan Teknik ARM untuk Pengolahan Informasi Rendemen Obat Wiwin Suwarningsih Pusat Penelitian Informatika, LIPI wiwin@informatika.lipi.go.id Abstrak Rendemen obat merupakan
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 terperinciANALISIS DAN IMPLEMENTASI WEB USAGE MINING MENGGUNAKAN ALGORITMA SEQUENTIAL PATTERN DISCOVERY USING EQUIVALENCE CLASSES
ANALISIS DAN IMPLEMENTASI WEB USAGE MINING MENGGUNAKAN ALGORITMA SEQUENTIAL PATTERN DISCOVERY USING EQUIVALENCE CLASSES SPADE (Studi Kasus: Website igracias Universitas Telkom) 1) Asri Inna Khoirun Nissa,
Lebih terperinci1. BAB I PENDAHULUAN 1.1. Latar Belakang ,
1. BAB I PENDAHULUAN 1.1. Latar Belakang Hasil survey Badan Kesejahteraan Keluarga Pemberdayaan Perempuan dan Keluarga Berencana (BKKPPKB) tahun 2009 menunjukkan angka kemiskinan di Kabupaten Bantul sebanyak
Lebih 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 HASH BASED TERHADAP ATURAN ASOSIASI UNTUK MENENTUKAN FREQUENT ITEMSET STUDY KASUS RUMAH MAKAN SEAFOOD KITA
IMPLEMENTASI ALGORITMA HASH BASED TERHADAP ATURAN ASOSIASI UNTUK MENENTUKAN FREQUENT ITEMSET STUDY KASUS RUMAH MAKAN SEAFOOD KITA Farha Ramadhan Teknik Informatika STMIK AMIKOM Yogyakarta Jl Ring road
Lebih 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 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 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 terperinciIMPLEMENTASI DATA MINING DENGAN ALGORITMA APRIORI PADA TOKO BANGUNAN UD. RUFI SENTOSA JAYA SAMBIREJO - PARE
IMPLEMENTASI DATA MINING DENGAN ALGORITMA APRIORI PADA TOKO BANGUNAN UD. RUFI SENTOSA JAYA SAMBIREJO - PARE SKRIPSI Diajukan Untuk Memenuhi Sebagian Syarat Guna Memperoleh Gelar Sarjana Komputer (S.Kom.)
Lebih terperinciANALISA DATA PENJUALAN OBAT DENGAN MENGGUNAKAN ALGORITMA APRIORI PADA RUMAH SAKIT UMUM DAERAH H. ABDUL MANAN SIMATUPANG KISARAN
ANALISA DATA PENJUALAN OBAT DENGAN MENGGUNAKAN ALGORITMA APRIORI PADA RUMAH SAKIT UMUM DAERAH H. ABDUL MANAN SIMATUPANG KISARAN Chintia Oktavia Simbolon (0911456) Mahasiswa Program Studi Teknik Informatika,
Lebih 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 terperinciJURNAL IMPLEMENTASI DATA MINING PADA TRANSAKSI PENJUALAN BIBIT BUAH DENGAN ALGORITMA APRIORI (STUDI KASUS: UD BUAH ASRI)
JURNAL IMPLEMENTASI DATA MINING PADA TRANSAKSI PENJUALAN BIBIT BUAH DENGAN ALGORITMA APRIORI (STUDI KASUS: UD BUAH ASRI) IMPLEMENTATION DATA MINING OF SALES TRANSACTION FRUIT SEEDLING WITH ALGORITHM APRIORI
Lebih terperinciANALISA DAN PERANCANGAN APLIKASI ALGORITMA APRIORI UNTUK KORELASI PENJUALAN PRODUK (STUDI KASUS : APOTIK DIORY FARMA)
ANALISA DAN PERANCANGAN APLIKASI ALGORITMA APRIORI UNTUK KORELASI PENJUALAN PRODUK (STUDI KASUS : APOTIK DIORY FARMA) Harvei Desmon Hutahaean 1, Bosker Sinaga 2, Anastasya Aritonang Rajagukguk 2 1 Program
Lebih terperinciBAB III ANALISIS DAN DESAIN SISTEM
BAB III ANALISIS DAN DESAIN SISTEM III.1. Analisis Masalah Bagi para calon mahasiswa cenderung bingung memilih jurusan yang mana yang akan mereka geluti di dunia pendidikan. Sekolah Tinggi Teknologi Sinar
Lebih terperinciPENGGUNAAN MARKET BASKET ANALYSIS DALAM DATA MINING
PENGGUNAAN MARKET BASKET ANALYSIS DALAM DATA MINING Narwati Dosen Fakultas Teknologi Informasi Abstrak Jumlah data yang sangat besar pada suatu perusahaan atau dalam suatu transaksi bisnis, merupakan suatu
Lebih terperinciPembangkitan Pola Data Cuaca Untuk Sistem Peringatan Dini Banjir
Pembangkitan Pola Data Cuaca Untuk Sistem Peringatan Dini Banjir Wiwin Suwarningsih Pusat Penelitian Informatika - LIPI wiwin@informatika.lipi.go.id Endang Suryawati Pusat Penelitian Informatika - LIPI
Lebih terperinciPOLA SEKUENSIAL KEMUNCULAN TITIK PANAS BERDASARKAN DATA CUACA DI PROVINSI RIAU TRIA AGUSTINA
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 PERNYATAAN
Lebih terperinciImplementasi data mining menggunakan metode apriori (studi kasus transaksi penjualan barang)
Implementasi data mining menggunakan metode apriori (studi kasus transaksi penjualan barang) Maya Suhayati,M.Kom. Jurusan Teknik Informatika, STMIK Sumedang mayasuh@stmik-sumedang.ac.id ABSTRAK Dalam suatu
Lebih terperinciKata kunci: graph, graph database, GIndex, subgraph query, size-increasing support constraint, discriminative fragments, index, subgraph matching
Analisis dan Implementasi Graph Indexing Pada Graph Database Menggunakan Algoritma GIndex Analysis and Implementation of Graph Indexing for Graph Database Using GIndex Algorithm Hadyan Arif 1, Kemas Rahmat
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA II.1 Tinjauan Perusahaan CV. Aldo Putra berlokasi di Jalan Pasar Induk Gedebage No. 89/104 Bandung, bergerak dibidang grosir pakaian jadi impor. Barang yang dijual di CV. Aldo Putra
Lebih terperinciPenerapan Sequential Pattern Mining pada Data Pemesanan untuk Strategi Penawaran dan Pemasaran Produk
Penerapan Sequential Pattern Mining pada Data Pemesanan untuk Strategi Penawaran dan Pemasaran Produk Dengan Pendekatan Metode PrefixSpan Puspita Nurul Sabrina Fakultas Matematika dan Ilmu Pengetahuan
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 terperinciAnalisis Hasil Sequential Pattern Mining Menggunakan Eliminasi Gauss
Analisis Hasil Sequential Pattern Mining Menggunakan Eliminasi Gauss Analisis Matriks Fitrandi Ramadhan Program Studi Magister Informatika Sekolah Teknik Elektro dan Informatika Institut Teknologi Bandung,
Lebih terperinciBAB I PENDAHULUAN Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Perkembangan dan persaingan dalam dunia bisnis perdagangan serta kemajuan teknologi informasi merupakan suatu hal yang saling terkait, dalam ketatnya persaingan pasar
Lebih terperinciII. TINJAUAN PUSTAKA
II. TINJAUAN PUSTAKA 2.1 Sistem Informasi Manajemen Mcleod R dan Schell G, (2004) membagi sumber daya menjadi dua bagian yaitu sumberdaya fisikal dan sumberdaya konseptual. Sumber daya fisikal terdiri
Lebih terperinciMETODE PENELITIAN. Tahapan pengembangan sistem PSP (Penetapan Strategi Penjualan) 1.0 seperti pada Gambar 2 di bawah ini. Mulai
III. METODE PENELITIAN 3.1 Kerangka Kerja Penelitian Tahapan pengembangan sistem PSP (Penetapan Strategi Penjualan) 1.0 seperti pada Gambar 2 di bawah ini. Mulai Analisis Sistem, keluaran: - Deskripsi
Lebih terperinciANALISA ALGORITMA APRIORI UNTUK MENENTUKAN MEREK PAKAIAN YANG PALING DIMINATI PADA MODE FASHION GROUP MEDAN
ANALISA ALGORITMA APRIORI UNTUK MENENTUKAN MEREK PAKAIAN YANG PALING DIMINATI PADA MODE FASHION GROUP MEDAN Eka Novita Sari (0911010) Mahasiswa Program Studi Teknik Informatika STMIK Budidarma Medan Jl.
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN
BAB III ANALISIS DAN PERANCANGAN III.1. Analisis Sistem Analisis sistem yang berjalan pada perusahaan PT. Perintis Perkasa dikelola dengan menggunakan software TDMS (Toyota Dealer Management System). TDMS
Lebih terperinciRancang Bangun Aplikasi Pengumpulan Pembeli Potensial Terhadap Barang Grosir Fashion Dengan Algoritma Jaccard Index
Rancang Bangun Aplikasi Pengumpulan Pembeli Potensial Terhadap Barang Grosir Fashion Dengan Algoritma Jaccard Index Martien Dermawan Tanama Universitas Ciputra UC Town, Citraland Surabaya 60219 mdermawan@student.ciputra.ac.id
Lebih terperinciTINJAUAN PUSTAKA Data Mining
25 TINJAUAN PUSTAKA 2.1. Data Mining Definisi sederhana dari data mining adalah ekstraksi informasi atau pola yang penting atau menarik dari data yang ada di database. Secara lengkap, Data mining merupakan
Lebih 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 terperinci