SISTEM SISTEM REKOMENDASI BIDANG MINAT MAHASISWA MENGGUNAKAN METODE ASSOCIATION RULE DAN ALGORITMA APRIORI
|
|
- Sonny Lesmana
- 6 tahun lalu
- Tontonan:
Transkripsi
1 SISTEM SISTEM REKOMENDASI BIDANG MINAT MAHASISWA MENGGUNAKAN METODE ASSOCIATION RULE DAN ALGORITMA APRIORI Nama Mahasiswa : NUCIFERA DIAHPANGASTUTI NRP : Jurusan : Teknik Informatika FTIF-ITS Dosen Pembimbing I : Prof. Dr. Ir. Joko Lianto Buliali, M.Sc. Abstrak Association rule mining adalah sebuah teknik data mining untuk menemukan asosiasi yang sesuai atau hubungan antar data dari sejumlah besar data. Salah satu tool yang dapat membantu untuk menemukan association rule mining adalah WEKA. Sejumlah besar data yang diproses di WEKA, dapat ditemukan rulerulenya menggunakan algoritma apriori dengan dua proses utama yaitu pencarian frequent itemsets berdasarkan minimum support ( join step dan prune step ) dan pembentukan rule berdasarkan minimum confidence. Dalam Tugas Akhir ini, rule-rule yang ditemukan oleh WEKA dari analisis terhadap data akademik alumni dapat digunakan lebih lanjut dalam sistem rekomendasi bidang minat pilihan mahasiswa. Berdasarkan data akademik yang dimasukkan, berupa IPK mata kuliah wajib dari masing-masing bidang minat, maka seorang mahasiswa dapat direkomendasikan pada bidang minat yang sesuai melalui sistem ini. Rekomendasi dilakukan dengan cara mencocokan rule-rule yang ditemukan dari data alumni dengan inputan yang dimasukkan oleh mahasiswa tersebut. Hasil analisis menunjukkan bahwa sistem rekomendasi bidang minat ini memiliki ketepatan sebesar 70% untuk rekomendasi bidang minat pilihan pertama, sebesar,67 % ketepatan pada rekomendasi pilihan kedua dan sebesar 8,33% tidak dapat merekomendasikan apapun, baik itu pilihan pertama maupun kedua. Kelemahan dari sistem adalah jika pola data mahasiswa tidak sesuai dengan rule-rule yang ada, maka mahasiswa tidak dapat direkomendasikan pada bidang minat manapun. Kata Kunci : association rule mining, minsupport, min confidence Abstract Association rule mining is a data mining technique to find interesting association or relationships among a large set of data items. One of tool which is can be used to find association rule mining is WEKA. A large set of data which is processed in WEKA, can be found its using apriori algorithm with two main processes, finding its frequent itemsets based on minimum support ( join step and prune step ) and build based on minimum confidence. In this Final Project, which is found by WEKA from previous academic analysis of alumni data, can be used in student s field of interest recommendation system. Based on academic data which is inputed, GPA of compulsory subjects for each field of interest, then a student can be recommended to suitable field of interest through this system. Recommendation made by matching which is found from alumni data with data which is inputed by that student. From system s analysis can be found that student s field of interest recommendation system has a fairly good accuracy, 70 % on first recommendation,,67 % on second recommendation and 8,33 % can t give any recommendation neither first recommendation nor second recommendation. Weakness of system is when data which is inputed by student can t be matched with any, then that student can t be recommended into any field of interest. Keyword : association rule mining, minsupport, min confidence Page of 9
2 . Latar Belakang Pada saat ini, mahasiswa di Jurusan Teknik Informatika ITS masih belum memiliki sistem untuk membantu mereka menentukan bidang minat. Pemilihan bidang minat ini sangat penting karena sangat berkaitan dengan pengambilan tugas akhir dari mahasiswa tersebut. Oleh karena itu diperlukan sebuah sistem yang dapat membantu seorang mahasiswa untuk menentukan bidang minat pilihan mereka. Sistem ini akan dibangun berdasarkan hasil analisa terhadap sejumlah data-data sebelumnya. Salah satu metode dalam data mining yang dapat digunakan untuk proses pengambilan keputusan adalah association rule. Sebagai contoh, aturan { IPK KBK KCV , IPK KBK RPL } mengambil Bidang Minat KCV, ditemukan di dalam data akademik mahasiswa, maka akan memberikan informasi bahwa jika seorang mahasiswa memiliki IPK KBK KCV dan IPK KBK RPL , maka ada kecenderungan mahasiswa tersebut akan mengambil Bidang Minat KCV. Sistem rekomendasi bidang minat pilihan mahasiswa ini adalah sebuah sistem yang akan membantu seorang mahasiswa untuk memilih bidang minat. Proses rekomendasi tersebut didapatkan dari hasil uji coba dan evaluasi association rule data alumni. 2. Tujuan Tujuan dari Tugas Akhir ini adalah membuat sistem rekomendasi bidang minat mahasiswa dimana sistem akan menemukan rule-rule yang akan digunakan untuk membantu mahasiswa baru menentukan bidang minat pilihan mereka masing-masing. 3. Dasar Teori Aturan Asosiasi ( Association Rule ) Aturan asosiasi mengikuti definisi original dari Agrawal et al, permasalahan pada Association Rule Mining dedefiniskan sebagai berikut : Misalkan I = { i, i 2,.., i n } adalah kumpulan dari atribut-atribut n yang disebut dengan items dan D = { t, t 2,.., t m } adalah kumpulan dari transaksi-transaksi yang disebut dengan database. Setiap transaksi pada D memiliki ID transaksi yang unique dan terdiri dari subset item-item di dalam I. Sebuah rule didefinisikan dalam bentuk X Y dimana X, Y adalah anggota dari I dan X Y = Ø. Himpunan item-item X dan Y disebut dengan antecedent ( sisi sebelah kiri tanda panah ) dan consequent adalah rule secara berurutan. Untuk mengilustrasikan konsep ini saya akan menggunakan data akademik mahasiswa sebagai domain. Himpunan item-item adalah I = { IPK KBK KCV , IPK KBK RPL , Bidang Minat KCV }. Contoh rule adalah { IPK KBK KCV , IPK KBK } { Bidang Minat KCV } berarti bahwa jika seorang mahasiswa memiliki IPK KBK KCV dan IPK KBK RPL , maka ada kecenderungan untuk mengambil Bidang Minat KCV. Analisis Kerancang Belanja ( Market Basket Analysis ) Analisis keranjang belanja merupakan sebuah analisis terhadap data mahasiswa pada SIM Akademik. Analisis dilakukan dengan menemukan hubungan antara IPK Mahasiswa per KBK dengan bidang minat yang diambil oleh seorang mahasiswa. Analisis dari data keranjang belanja tersebut dapat digunakan untuk mendapatkan aturan asosiasi dari kombinasi IPK mahasiswa per KBK dengan bidang minat yang diambil oleh mahasiswa. Contoh Keranjang Belanja NRP Items , 3.00, 2.50, RPL , 3.50, 2.50, KBJ , 3.00, 3.50, KCV Tabel di atas adalah contoh keranjang belanja yang akan dianalisis. Mahasiswa dengan NRP memiliki IPK KBK RPL 3.50, memiliki IPK KBK KBJ 3.00, memiliki IPK KBK KCV 2.50, mengambil bidang minat RPL. Mahasiswa dengan NRP , memiliki IPK KBK RPL 3.00, memiliki IPK KBK KBJ 3.50, memiliki IPK KCV 2.50, mengambil bidang minat KBJ. Mahasiswa dengan NRP , memiliki IPK KBK RPL 2.50, memiliki IPK KBK KBJ 3.00, memiliki IPK KBK KCV 3.50, mengambil bidang minat KCV. Page 2 of 9
3 Untuk memudahkan analisis, maka IPK masing-masing KBK dibuat menjadi tiga interval : IPK KBK RPL : ( minimum 2.83 ), ( ), ( 3.7 maksimal ) IPK KBK KBJ : ( minimum 3.7 ), ( ), ( 3.33 maksimal ) IPK KBK KCV : ( minimum 2.83 ), ( ), ( 3.7 maksimal ) Support Count Support count adalah banyaknya itemsets yang sama muncul secara bersamaan pada suatu data transaksi pada keranjang belanja. Confidence Confidence adalah suatu ukuran yang menunjukkan hubungan kondisi antar dua barang ( misal seberapa sering bidang minat pilihan B diambil jika mahasiswa memiliki IPK A ) dari keseluruhan transaksi. Berikut ini adalah salah satu contoh perhitungan confidence dari salah satu transaksi yang diambil dari tabel Transaksi Belanja Akademik : Confidence, ć ( x y ) = σ ( x U y ) / σ ( x ) = σ ( IPK KBK RPL ( 3.7 maksimal, IPK KBK KBJ ( minimal 3.7 ), IPK KBK KCV ( minimal 2.83 ), RPL ) / 4 = / 4 = 0.25 Contoh Proses Algoritma Apriori Algoritma Apriori memiliki dua tahap penting yaitu proses Join Step dan Prune Step. Proses Join Step adalah proses untuk mencari Frequent Itemsets dan yang tidak sesuai dengan ketentuan maka akan dihilangkan melalui proses Prune Step. Proses Pencarian Frequent Itemsets Langkah awal adalah tentukan dulu, minimum support count yang diperlukan adalah dan minimum confidence yang dibutuhkan adalah 0,9. Step : Generating Itemset Frequent Pattern Step Itemsets { IPK KBK RPL = ( minimal 2.83 ) } { IPK KBK RPL = ( ) } { IPK KBK RPL = ( 3.7 maksimal ) } 3.7 ) } { IPK KBK KBJ = ( ) } { IPK KBK KBJ = ( 3.33 maksimal ) } { IPK KBK KCV = ( minimal 2.83 ) } { IPK KBK KCV = ( ) } { IPK KBK KCV = ( 3.7 maksimal ) } Support Count { RPL } { KBJ } { KCV } Tabel di atas menunjukkan proses joint step dan kolom berwarna merah, menunjukkan prune step artinya support count yang tidak memenuhi minimum support count harus dibuang. Step 2 : Generating 2 Itemset Frequent Pattern Step - 2 Itemsets Support { IPK KBK RPL = ( minimal 2.83 ) ; IPK KBK KBJ = ( minimal 3.7 ) } { IPK KBK RPL = ( minimal 2.83 ) ; IPK KBK KCV = ( 3.7 maksimal ) } { IPK KBK RPL = ( minimal 2.83 ) ; KCV } { IPK KBK RPL = ( ) ; IPK KBK KBJ = ( 3.33 maksimal ) } { IPK KBK RPL = ( ) ; IPK KBK KCV = ( minimal 2.83 ) } Count { IPK KBK RPL = ( 2.83 Page 3 of 9
4 3.7 ) ; KBJ } { IPK KBK RPL = ( 3.7 maksimal ) ; IPK KBK KBJ = ( minimal 3.7 ) } { IPK KBK RPL = ( 3.7 maksimal ) ; IPK KBK KCV = ( minimal 2.83 ) } { IPK KBK RPL = ( 3.7 maksimal ) ; RPL } 3.7 ) ; IPK KBK KCV = ( minimal 2.83 ) } 3.7 ) ; IPK KBK KCV ( 3.7 maksimal ) } 3.7 ) ; RPL } 3.7 ) ; KCV } { IPK KBK KBJ = ( 3.33 maksimal ) ; IPK KBK KCV = ( minimal 2.83 ) } { IPK KBK KBJ = ( 3.33 = maksimal ) ; KBJ } { IPK KBK KCV = ( minimal = 2.83 ) ; RPL } { IPK KBK KCV = ( minimal 2.83 ) ; KBJ } { IPK KBK KCV ( 3.7 maksimal ) ; KCV } Step 3 : Generating 3 Itemset Frequent Pattern Step 3 Itemsets Support Count { IPK KBK RPL = ( minimal 2.83 ) ; IPK KBK KBJ = ( minimal 3.7 ) ; IPK KBK KCV = ( 3.7 maksimal ) } { IPK KBK RPL = ( minimal 2.83 ) ; IPK KBK KBJ = ( minimal 3.7 ) ; KCV } { IPK KBK RPL = ( minimal 2.83 ) ; IPK KBK KBJ = ( minimal 3.7 ) ; KCV } { IPK KBK RPL = ( ) ; IPK KBK KBJ = ( 3.33 maksimal ) ; IPK KBK KCV = ( minimal 2.83 ) } { IPK KBK RPL = ( ) ; IPK KBK KBJ = ( 3.33 maksimal ), KBJ } { IPK KBK RPL = ( ) ; IPK KBK KCV = ( minimal 3.7 ) ; KBJ } { IPK KBK RPL = ( 3.7 maksimal ) ; IPK KBK KBJ = ( minimal 3.7 ) ; IPK KBK KCV = ( minimal 2.83 ) } { IPK KBK RPL = ( 3.7 maksimal ) ; IPK KBK KBJ = ( minimal 3.7 ) ; RPL } { IPK KBK RPL = ( 3.7 maksimal ) ; IPK KBK KCV = ( minimal 2.83 ) ; RPL } { IPK KBK KBJ = ( minimal 3.7 ) ; IPK KBK KCV ( minimal 2.83 ) ; RPL } { IPK KBK KBJ = ( minimal 3.7 ) ; IPK KBK KCV = ( 3.7 maksimal ) ; KCV } { IPK KBK KBJ = ( 3.33 maksimal ) ; IPK KBK KCV = ( minimal 2.83 ) ; KBJ } Step 4 : Generating 4 Itemset Frequent Pattern Step 4 Itemsets Support { IPK KBK RPL = ( minimal 2.83 ) ; IPK KBK KBJ = ( minimal 3.7 ) ; IPK KBK KCV = ( 3.7 maksimal ) ; KCV } { IPK KBK RPL = ( ) ; IPK KBK KBJ = ( 3.33 maksimal ) ; IPK KBK KCV = ( minimal 2.83 ), KBJ } { IPK KBK RPL = ( 3.7 maksimal ) ; IPK KBK KBJ = ( minimal 3.7 ) ; IPK KBK KCV = ( minimal 2.83 ), RPL } Count Proses Pencarian Association Rules Proses pencarian Association Rules ini memanfaatkan minimum confidence yang telah ditentukan sebelumnya yaitu 0.9. Contoh : L = { IPK KBK RPL = ( ) ; IPK KBK KBJ = ( 3.33 maksimal ) ; IPK KBK KCV = ( minimal 2.83 ) ; KBJ }. Nonempty subsets L = { IPK KBK RPL = ( ) }, { IPK KBK KBJ = ( 3.33 maksimal ) }, { Page 4 of 9
5 IPK KBK KCV = ( minimal 2.83 ) }, { KBJ } { IPK KBK RPL = ( ) ; IPK KBK KBJ = ( 3.33 maksimal ) }, { IPK KBK RPL = ( ) ; IPK KBK KCV = ( minimal 2.83 ) }, { IPK KBK RPL = ( ) ; KBJ }, { IPK KBK KBJ = ( 3.33 maksimal ) ; IPK KBK KCV = ( minimal 2.83 ) }, { IPK KBK KBJ = ( 3.33 maksimal ) ; KBJ }, { IPK KBK KCV = ( minimal 2.83 ) ; KBJ } { IPK KBK RPL = ( ) ; IPK KBK KBJ = ( 3.33 maksimal ) ; IPK KBK KCV = ( minimal 2.83 ) }, { IPK KBK RPL = ( ) ; IPK KBK KBJ ( 3.33 maksimal ) ; KBJ }, { IPK KBK KBJ = ( 3.33 maksimal ) ; IPK KBK KCV = ( minimal 2.83 ) ; KBJ }, { IPK KBK RPL = ( ) ; IPK KBK KCV = ( minimal 2.83 ) ; KBJ } R : IPK KBK RPL = ( ) IPK KBK KBJ = ( 3.33 maksimal ) dan IPK KBK KCV = ( minimal 2.83 ) dan KBJ RPL = ( ) ; IPK KBK KBJ ( 3.33 maksimal ) ; IPK KBK KCV ( minimal 2.83 ) ; KBJ } / Support Count { IPK KBK RPL ( ) } = / = R2 : IPK KBK KBJ = ( 3.33 maksimal ) IPK KBK RPL = ( ) dan IPK KBK KCV = ( minimal 2.83 ) dan KBJ RPL = ( ) ; IPK KBK KBJ = ( { IPK KBK KBJ = ( 3.33 maksimal ) } = / R3 : IPK KBK KCV = ( minimal 2.83 ) IPK KBK RPL = ( ) dan IPK KBK KBJ ( 3.33 maksimal ) dan KBJ RPL = ( ) ; IPK KBK KBJ = ( { IPK KBK KCV = ( minimal 2.83 ) } = / 2 Tidak Terpilih < 0.9 R4 : KBJ IPK KBK RPL = ( ) dan IPK KBK KBJ = ( 3.33 maksimal ) dan IPK KBK KCV = ( minimal 2.83 ) RPL = ( ) ; IPK KBK KBJ = ( { KBJ } = / R5 : IPK KBK RPL = ( ) dan IPK KBK KBJ = ( 3.33 maksimal ) IPK KBK KCV = ( minimal 2.83 ) dan KBJ RPL = ( ) ; IPK KBK KBJ = ( { IPK KBK RPL = ( ) dan IPK KBK KBJ = ( 3.33 maksimal ) } = / R6 : IPK KBK RPL = ( ) dan IPK KBK KCV = ( minimal 2.83 ) IPK KBK KBJ = ( 3.33 maksimal ) dan KBJ RPL = ( ) ; IPK KBK KBJ = ( { IPK KBK RPL = ( ) dan IPK KBK KCV = ( minimal 2.83 ) } = / R7 : IPK KBK RPL = ( ) dan KBJ IPK KBK KBJ = ( 3.33 maksimal ) dan IPK KBK KCV = ( minimal 2.83 ) RPL = ( ) ; IPK KBK KBJ = ( { IPK KBK RPL = ( ) dan KBJ } = / R8 : IPK KBK KBJ = ( 3.33 maksimal ) dan IPK KBK KCV = ( minimal 2.83 ) IPK KBK RPL ( ) dan KBJ RPL = ( ) ; IPK KBK KBJ = ( { IPK KBK KBJ = ( 3.33 maksimal ) dan IPK KBK KCV = ( minimal 2.83 ) } = / R9 : IPK KBK KBJ = ( 3.33 maksimal ) dan KBJ IPK KBK RPL = ( ) dan IPK KBK KCV = ( minimal 2.83 ) RPL = ( ) ; IPK KBK KBJ = ( { IPK KBK KBJ = ( 3.33 maksimal ) dan KBJ } = / R0 : IPK KBK KCV = ( minimal 2.83 ) dan KBJ IPK KBK RPL = ( ) dan IPK KBK KBJ ( 3.33 maksimal ) RPL = ( ) ; IPK KBK KBJ = ( { IPK KBK KCV = ( minimal 2.83 ) dan KBJ = / Page 5 of 9
6 R : IPK KBK RPL = ( ) dan IPK KBK KBJ = ( 3.33 maksimal ) dan IPK KBK KCV = ( minimal 2.83 ) KBJ RPL = ( ) ; IPK KBK KBJ = ( { IPK KBK RPL = ( ) dan IPK KBK KBJ = ( 3.33 maksimal ) dan IPK KBK KCV = ( minimal 2.83 ) = / R2 : IPK KBK RPL = ( ) dan IPK KBK KBJ = ( 3.33 maksimal ) dan KBJ IPK KBK KCV = ( minimal 2.83 ) RPL = ( ) ; IPK KBK KBJ = ( { IPK KBK RPL = ( ) dan IPK KBK KBJ = ( 3.33 maksimal ) dan KBJ } = / R3 : IPK KBK KBJ = ( 3.33 maksimal ) dan IPK KBK KCV = ( minimal 2.83 ) dan KBJ IPK KBK RPL = ( ) RPL = ( ) ; IPK KBK KBJ = ( { IPK KBK KBJ = ( 3.33 maksimal ) dan IPK KBK KCV = ( minimal 2.83 ) dan KBJ } = / R4 : IPK KBK RPL = ( ) dan IPK KBK KCV = ( minimal 2.83 ) dan KBJ IPK KBK KBJ = ( minimal 3.7 ) RPL = ( ) ; IPK KBK KBJ = ( { IPK KBK RPL = ( ) dan IPK KBK KCV = ( minimal 2.83 ) dan KBJ } = / Contoh rule yang ditolak adalah rule nomor 3, ditandai dengan cetakan tebal. Rule tersebut ditolak karena tidak memenuhi minimum confidence. 4. Perancangan Sistem. Bagian Pertama Penemuan Rule Pada tahap ini, diagram yang dilingkari, data-data alumni akan dimasukkan ke dalam tool WEKA untuk dianalisis menggunakan algoritma Apriori hingga menemukan association rule terbaik. Parameter yang digunakan sebagai tolak ukur dalam proses analisis ini adalah IPK Mahasiswa per bidang minat ( IPK KBK RPL, IPK KBK KBJ dan IPK KBK KCV ). Pada sistem, algoritma apriori akan digunakan saat menganalisis data. Saat memasukkan data mahasiswa yang telah melalui tahap pre-processing, maka saat itu pula algoritma apriori mulai mengerjakan dua tahapan besarnya yaitu proses pembentukan Frequent Itemsets dan proses pembentukan Association Rule. Pertama-tama menentukan dulu, minimum support dan confidence pada sistem. Setelah menentukan minimum support, maka sistem akan mulai mencari dan membentuk Frequent Itemsets menggunakan proses join step dan prune step seperti telah dicontohkan pada dasar teori. Kemudian dari kumpulan Frequent Itemsets tersebut, selanjutnya masingmasing Frequent Itemsets tersebut akan dicari nonempty subsets-nya untuk kemudian dilakukan proses penghitungan confidence. Setelah proses penghitungan confidence tersebut selesai, maka barulah akan diseleksi bahwa rule-rule yang tidak memenuhi confidence akan ditolak. Sistem nantinya akan mengambil library dari WEKA ini ke NetBeans untuk melakukan proses penemuan rule-rule tersebut. 2. Bagian Kedua Penggunaan Rule Pada tahap ini akan menginputkan data-data akademik mahasiwa baru yang sebelumnya disimpan dulu di dalam database. Kemudian dilakukan pencocokan rule pada bagian pertama untuk kemudian diambil kesimpulan berupa sistem rekomendasi bidang minat mahasiswa berdasarkan rulerule terpilih. 5. Perancangan Data Page 6 of 9
7 Data input berformat CSV di atas akan diubah menjadi format Arff dengan bantual tool WEKA untuk digunakan lebih lanjut. Berikut ini proses pre-processing yang dilakukan pada tool WEKA : Pertama yang harus dilakukan adalah membuka WEKA dan klik button Explorer Kemudian pilih file format CSV yang akan dimasukkan ke dalam tahap Pre- Processing Hal pertama yang dilakukan adalah menghilangkan identifier yaitu berupa NRP Mahasiswa, karena WEKA tidak mengizinkan adanya identifier apapun dalam proses analisis. Tahap berikutnya adalah mengubah interval IPK masing-masing KBK menjadi 3 kelompok besar Tahap terakhir adalah simpan ke dalam format Arff dan data-data tersebut pun siap untuk digunakan pada tahap implementasi. 6. Perancangan Antar Muka akademik mahasiwa baru yang sebelumnya disimpan dulu di dalam database. Kemudian yang terakhir adalah menu Rekomendasi Bidang Minat Mahasiswa yang merupakan tahap ini akan pencocokan Bagian Pertama dan Bagian Kedua untuk kemudian diambil kesimpulan berupa sistem rekomendasi bidang minat mahasiswa berdasarkan rule-rule terpilih. 7. Spesifikasi Hardware dan Software yang Digunakan Lingkungan uji coba merupakan komputer tempat uji coba. Berikut adalah lingkungan uji coba yang digunakan pada tugas akhir ini. Perangkat keras Perangkat lunak ini diimplementasikan pada sebuah notebook dengan spesifikasi prosesor Intel Core 2 Duo 2.0 GHz dan memori GB. Perangkat lunak Perangkat lunak ini dikembangkan pada sistem operasi Microsoft Windows Vista dengan menggunakan WEKA 3.6, NetBeans IDE 6.8 dan Microsoft Access Uji Coba dan Evaluasi Menu File berisikan tiga menu yaitu menu Analysis Data, Data Mahasiswa, Rekomendasi Bidang Minat Mahasiswa. Menu Analysis Data adalah implementasi dari gambar 3. bagian pertama. Data akan dianalisis menggunakan algoritma Apriori hingga menemukan association rule terbaik. Parameter yang digunakan sebagai tolak ukur dalam proses analisis ini adalah IPK Mahasiswa per bidang minat ( IPK KBK RPL, IPK KBK KBJ dan IPK KBK KCV ). Menu Data Mahasiswa ini adalah implementasi dari gambar 3. bagian kedua. Menu Data Mahasiswai ini terdiri dari 4 bagian lagi yaitu Form Data Mahasiswa, Form Hitung RPL, Form Hitung KBJ dan Form Hitung KCV. Pada tahap ini, pengguna akan menginputkan data-data Data yang digunakan adalah data mahasiswa angkatan 2004, angkatan 2005, angkatan 2006 dan angkatan 2007, diperoleh dari SIM Akademik sebanyak 20 mahasiswa, dengan komposisi 40 mengambil bidang minat RPL, 40 mengambil bidang minat KCV, dan 40 mengambil bidang minat KBJ. Mata kuliah dasar umum dan mata kuliah pilihan dihilangkan sehingga hanya tersisa mata kuliah wajib saja. Kemudian hitung IPK masing-masing KBK dari 20 mahasiswa tersebut. Uji Coba Penemuan Rule Uji coba ini dilakukan untuk menemukan rule-rule yang nantinya dapat digunakan untuk sistem rekomendasi bidang minat mahasiswa. Uji coba dilakukan dengan rentang confidence 0.9 hingga confidence 0. ( dengan penurunan 0., jadi ada 9 uji coba ). Kemudian dari hasil pengamatan akan ditemukan bahwa semakin kecil confidence, maka akan memunculkan rule semakin banyak dan pilihan rule untuk sistem rekomendasi bidang minat dapat lebih beragam. Hal ini terjadi karena confidence adalah syarat Page 7 of 9
8 dipilih atau ditolaknya sebuah rule, jika nilai confidence tersebut diturunkan, maka akan memberikan kesempatan lebih banyak rule untuk ditemukan. Uji coba MinSupport : 0. dan Confidence : 0.9 dengan parameter IPK, memunculkan 6 Uji coba MinSupport : 0. dan Confidence : 0.8 dengan parameter IPK, memunculkan 6 Uji coba MinSupport : 0. dan Confidence : 0.7 dengan parameter IPK, memunculkan 26 Uji coba MinSupport : 0. dan Confidence : 0.6 dengan parameter IPK, memunculkan 44 Uji coba MinSupport : 0. dan Confidence : 0.5 dengan parameter IPK, memunculkan 67 Uji coba MinSupport : 0. dan Confidence : 0.4 dengan parameter IPK, memunculkan 98 Uji coba MinSupport : 0. dan Confidence : 0.3 dengan parameter IPK, memunculkan 36 Uji coba MinSupport : 0. dan Confidence : 0.2 dengan parameter IPK, memunculkan 62 Uji coba MinSupport : 0. dan Confidence : 0. dengan parameter IPK, memunculkan 66 Pemilihan Rule Uji Coba Penggunaan Rule ( sistem ) Setelah menginputkan data mahasiswa baru ke dalam database dan mencocokkan dengan rule-rule yang memenuhi syarat, maka beberapa contoh hasilnya ada pada Gambar 5.0, Gambar 5., Gambar 5.2 dan Gambar 5.3. Berikutnya akan dipilih rule dari 66 rule yang ada di atas tersebut dengan ketentuan bahwa rule tersebut dapat merekomendasikan sebuah bidang minat ( sisi kanan anak panah adalah RPL, KBJ atau KCV ). Setelah memilih dari 66 tersebut, ada beberapa rule yang memenuhi untuk dijadikan bahan rekomendasi bidang minat mahasiswa. Rule-rule tersebut adalah rule-rule yang akan digunakan sebagai dasar rekomendasi sistem dan telah diurutkan dari confidence tertinggi hingga terendah. Jika ada rule yang sama, maka yang akan digunakan adalah rule dengan confidence lebih tinggi Page 8 of 9
9 digunakan sebagai bahan pertimbangan sistem rekomendasi mahasiswa. 0. DAFTAR PUSTAKA [] Cristobal Romero, Sebastian Ventura, Enrique Garcia, Data Mining in Course Management Systems : Moodle Study and Tutorial, 2007 [2] Irina Tudor, Association Rule Mining as a Data Mining Technique, 2009 [3] Kusrini, Emha Taufiq, Algoritma Data Mining, Yogyakarta : ANDI, 2009 [4] Remco R. Bouckaert, Eibe Frank, Mark Hall, Richard Kirkby, Peter Reuternann, Alex Seewald, David Scuse, The University of WAIKATO WEKA Manual for Version 3-6-2, 200 [5] Hendry, Belajar Otodidak Java dengan NetBeans 6.0, Jakarta : Elex Media Komputindo, Penutup Kesimpulan Dari hasil pengamatan selama proses uji coba dan evaluasi, maka dapat diambil kesimpulan sebagai berikut:. Pada proses pembentukan rule, semakin kecil nilai confidence, maka jumlah rule yang dihasilkan akan semakin banyak. 2. Berdasarkan hasil uji coba, diperoleh kesimpulan bahwa sistem akan tepat pada rekomendasi pilihan pertama sebanyak 70%, sistem akan tepat pada rekomendasi pilihan kedua sebanyak,67 % dan sistem tidak memiliki kesesuaian dengan rekomendasi pertama dan rekomendasi kedua sebanyak 8,33 %. Saran Saran-saran untuk pengembangan selanjutnya yaitu, penambahan data input dan parameter dapat dilakukan pada pemodelan ini, untuk menemukan keragaman rule yang nantinya Page 9 of 9
Pengembangan 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
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 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 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 terperinciJurnal Edik Informatika Penelitian Bidang Komputer Sains dan Pendidikan Informatika V1.i1(52-62)
Analisa Pola Peminjaman Buku Perpustakaan Menggun Algoritma Apriori Azwar Anas Program Studi Pendidikan Informatika, STKIP PGRI Sumbar aans_07@yahoo.co.id http://dx.doi.org/10.22202/jei.2014.v1i1.1439
Lebih terperinciPENERAPAN ALGORITMA APRIORI UNTUK TRANSAKSI PENJUALAN OBAT PADA APOTEK AZKA
PENERAPAN ALGORITMA APRIORI UNTUK TRANSAKSI PENJUALAN OBAT PADA APOTEK AZKA Winda Aprianti 1), Jaka Permadi 2), Oktaviyani 3) 1)2)3) Teknik Informatika, Politeknik Negeri Tanah Laut Jl. A. Yani Km. 06
Lebih terperinciIMPLEMENTASI DATA MINING PADA PENJUALAN TIKET PESAWAT MENGGUNAKAN ALGORITMA APRIORI (Studi Kasus: Jumbo Travel Medan)
IMPLEMENTASI DATA MINING PADA PENJUALAN TIKET PESAWAT MENGGUNAKAN ALGORITMA APRIORI (Studi Kasus: Jumbo Travel Medan) Sri Rahayu Siregar ( 0911882) Mahasiswa Program Studi Teknik Informatika, STMIK Budidarma
Lebih terperinciPERANCANGAN DAN IMPLEMENTASI APLIKASI ANALISIS KERANJANG PASAR DENGAN METODE FUZZY C-COVERING
PERANCANGAN DAN IMPLEMENTASI APLIKASI ANALISIS KERANJANG PASAR DENGAN METODE FUZZY C-COVERING KOMPETENSI RPL SKRIPSI NI KADEK DONI JULIARI NIM. 0708605037 PROGRAM STUDI TEKNIK INFORMATIKA JURUSAN ILMU
Lebih terperinciLili Tanti. STMIK Potensi Utama, Jl. K.L. Yos Sudarso Km. 6,5 No. 3A Tj. Mulia Medan ABSTRACT
Lili, Penerapan Data Mining Untuk 35 PENERAPAN DATA MINING UNTUK MENENTUKAN JUMLAH MAHASISWA PADA SATU DAERAH DENGAN MENGGUNAKAN METODE ALGORITMA APRIORI Lili Tanti Email : lili@potensi-utama.ac.id STMIK
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 terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Saat ini, perkembangan teknologi telah memberikan pengaruh yang sangat besar di dalam kehidupan manusia. Salah satu pengaruh tersebut di bidang informasi yaitu dalam
Lebih terperinciPENERAPAN 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 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 terperinciAPLIKASI ASSOCIATION RULE MINING UNTUK MENEMUKAN POLA PADA DATA NILAI MAHASISWA MATEMATIKA ITS
APLIKASI ASSOCIATION RULE MINING UNTUK MENEMUKAN POLA PADA DATA NILAI MAHASISWA MATEMATIKA ITS DONNY MITRA VIRGIAWAN 1209100035 JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT
Lebih terperinciMetodologi Algoritma A Priori. Metodologi dasar algoritma a priori analisis asosiasi terbagi menjadi dua tahap :
Metodologi Algoritma A Priori 1 Kusrini, 2 Emha Taufiq Luthfi 1 Jurusan Sistem Informasi, 2 Jurusan Teknik Informatika 1, 2 STMIK AMIKOM Yogykakarta 1,2 Jl. Ringroad Utara Condong Catur Sleman Yogyakarta
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN SISTEM
BAB III ANALISIS DAN PERANCANGAN SISTEM III.1 Analisis Sistem Analisis sistem adalah penguraian dari suatu sistem informasi yang utuh kedalam bagian-bagian komponennya dengan maksud untuk mengidentifikasi
Lebih terperinciImplementasi Algoritme Modified-Apriori Untuk Menentukan Pola Penjualan Sebagai Strategi Penempatan Barang Dan Promo
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 10, Oktober 2018, hlm. 3829-3834 http://j-ptiik.ub.ac.id Implementasi Algoritme Modified-Apriori Untuk Menentukan
Lebih 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 terperinciABSTRAK. Kata kunci: Market Basket Analysis, Cross-selling. Universitas Kristen Maranatha
ABSTRAK Salah satu strategi pemasaran yang dapat digunakan untuk meningkatkan volume penjualan suatu produk adalah cross selling. Penentuan cross selling produk dapat dilakukan dengan menerapkan Analisis
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN
BAB III ANALISIS DAN PERANCANGAN III.1. Analisis Sistem Analisis sistem yang berjalan pada perusahaan PT. Perintis Perkasa dikelola dengan menggunakan software TDMS (Toyota Dealer Management System). TDMS
Lebih terperinciBAB IV HASIL DAN UJICOBA. Penerapan Data Mining Market Basket Analysis Terhadap Data Penjualan Produk
BAB IV HASIL DAN UJICOBA IV.1. Tampilan Hasil Berikut ini dijelaskan mengenai tampilan hasil dari perancangan Penerapan Data Mining Market Basket Analysis Terhadap Data Penjualan Produk Elektronik Dengan
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 terperinciPenerapan Data Mining Association Rule Menggunakan Algoritma Apriori Untuk Meningkatkan Penjualan dan Memberikan Rekomendasi Pemasaran Produk Speedy
Penerapan Data Mining Association Rule Menggunakan Algoritma Apriori Untuk Meningkatkan Penjualan dan Memberikan Rekomendasi Pemasaran Produk Speedy (Studi Kasus di PT. Telkom Cabang Wonogiri ) Moch. Yusuf
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Data mining adalah proses mencari pola atau informasi menarik dalam data terpilih dengan menggunakan teknik atau metode tertentu (Sensuse dan Gunadi, 2012). Pola-pola
Lebih 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 terperinciAPLIKASI MONITORING KETERSEDIAAN STOK BARANG MINIMARKET DENGAN METODE MARKET BASKET ANALYSIS (MBA)
Seminar Nasional Teknologi Informasi dan Multimedia 2016 APLIKASI MONITORING KETERSEDIAAN STOK BARANG MINIMARKET DENGAN METODE MARKET BASKET ANALYSIS (MBA) Sugiyatno 1), Adhika Pramita Widyasari 2) 1),
Lebih terperinciIMPLEMENTASI DATA MINING TERHADAP PENYUSUNAN LAYOUT MAKANAN PADA RUMAH MAKAN PADANG MURAH MERIAH
IMPLEMENTASI DATA MINING TERHADAP PENYUSUNAN LAYOUT MAKANAN PADA RUMAH MAKAN PADANG MURAH MERIAH Oliver Zakaria 1), Kusrini 2) 1) Teknik Informatika STMIK AMIKOM Yogyakarta Jl. Ring Road Utara Condong
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Perusahaan ritel yang menyediakan berbagai kebutuhan berkembang pesat bukan hanya di kota besar saja tetapi juga di kota-kota kecil. Untuk memperoleh keuntungan yang
Lebih terperinciABSTRAKSI Seiring dengan perkembangan teknologi, semakin berkembang pula kemampuan dalam mengumpulkan dan mengolah data. Oleh karena itu diperlukan se
APPLICATIONS USING DATA MINING ASSOCIATION RULES WITH PRIORI METHOD FOR ANALYSIS OF DATA ON THE MARKET BASKET PHARMACY SALES TRANSACTIONS Leni Meiwati Undergraduate Program, Information Systems Gunadarma
Lebih terperinciAssocation Rule. Data Mining
Assocation Rule Data Mining Association Rule Analisis asosiasi atau association rule mining adalah teknik data mining untuk menemukan aturan assosiatif antara suatu kombinasi item. Aturan yang menyatakan
Lebih terperinciNusantara of Engginering (NoE)/Vol. 1/No. 2/ISSN:
Nusantara of Engginering (NoE)/Vol. 1/No. 2/ISSN: 2355-6684 76 ANALISA LOG AKSES DI E-LEARNING MENGGUNAKAN ASSOCIATION RULE MINING UNTUK MENGENALI POLA BELAJAR SISWA (Studi Kasus di SMUN 1 Pare Kediri)
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 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 terperinciIMPLEMENTASI ALGORITMA APRIORI DALAM MENENTUKAN PERSEDIAAN OBAT
IMPLEMENTASI ALGORITMA APRIORI DALAM MENENTUKAN PERSEDIAAN OBAT Gusti Ahmad Syaripudin 1), Edi Faizal 2) 1) Teknik Informatika STMIK El Rahma Yogyakarta 1) Jl. Sisingamangaraja No. 76, Karangkajen, Brontokusuman,
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 terperinciLEMBAR PENGESAHAN Batam, 21 Februari 2011 Pembimbing, Mir atul K. Mufida, S. ST NIK
LEMBAR PENGESAHAN Pembimbing, Mir atul K. Mufida, S. ST NIK. 109057 LEMBAR PERNYATAAN Dengan ini, saya: NIM : 3310801010 Nama : Maria Magdalena adalah mahasiswa Teknik Informatika Politeknik Negeri Batam
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 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 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 terperinciAturan assosiatif biasanya dinyatakan dalam bentuk : {roti, mentega} {susu} (support = 40%, confidence = 50%)
ASSOCIATION RULE (ALGORITMA A PRIORI) Algoritma A Priori termasuk jenis aturan asosiasi pada data mining. Selain a priori, yang termasuk pada golongan ini adalah metode generalized rule induction dan algoritma
Lebih terperinciBAB III METODOLOGI PENELITIAN
40 BAB III METODOLOGI PENELITIAN 3.1 DESAIN PENELITIAN Dalam melakukan penelitian, dibutuhkan desain penelitian agar penelitian yang dilakukan dapat berjalan dengan baik. Berikut ini merupakan desain penelitian
Lebih terperinciABSTRAKSI Analisis keranjang pasar merupakan suatu cara untuk mengetahui kebiasaan berbelanja masyarakat disuatau tempat terhadap barang yang dibeli.
ANALISIS KERANJANG PASAR MENGGUNAKAN ALGORTIMA PREDICTIVE APRIORI UNTUK MENEMUKAN ATURAN ASOSIASI DI APOTEK SEHAT JAYA 1.NINDITYA KHARISMA ninditya@student.gunadarma.ac.id 2.METTY MUSTIKASARI metty@staff.gunadarma.ac.id
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 terperinciABSTRACT Market basket analysis is a way to know the shopping habits of people in one place on goods purchased. Market basket analysis to produce an a
ANALISIS KERANJANG PASAR MENGGUNAKAN ALGORTIMA PREDICTIVE APRIORI UNTUK MENEMUKAN ATURAN ASOSIASI DI APOTEK SEHAT JAYA NINDITYA KHARISMA, METTY MUSTIKASARI Undergraduate Program, Information Systems Gunadarma
Lebih terperinciBAB III METODOLOGI PENELITIAN. Gambar 2. 1 Metode Penelitian
BAB III METODOLOGI PENELITIAN Metode penelitian mengenai sistem rekomendasi kuliner untuk mahasiswa Universitas Sebelas Maret Surakarta menggunakan metode Apriori Positif Negatif dan Binary Hamming Distance
Lebih terperinciIMPLEMENTASI ALGORITMA APRIORI PADA APOTEK RMC DALAM MENENTUKAN PERSEDIAAN OBAT
IMPLEMENTASI ALGORITMA APRIORI PADA APOTEK RMC DALAM MENENTUKAN PERSEDIAAN OBAT Gusti Ahmad Syaripudin Teknik Informatika STMIK El-Rahma Yogyakarta e-mail: first234boy@gmail.com Abstract In daily activities,
Lebih terperinciBAB III METODE PENELITIAN. Metode penelitian merupakan suatu prosedur beserta tahapan-tahapan yang
BAB III METODE PENELITIAN Metode penelitian merupakan suatu prosedur beserta tahapan-tahapan yang tersusun secara jelas dan sistematis guna menyelesaikan suatu permasalahan yang sedang diteliti dengan
Lebih terperinciDATA MINING UNTUK ANALISA PENJUALAN KERIPIK UD MARTOP PRATAMA MENGGUNAKAN ALGORITMA APRIORI
DATA MINING UNTUK ANALISA PENJUALAN KERIPIK UD MARTOP PRATAMA MENGGUNAKAN ALGORITMA APRIORI SKRIPSI Diajukan Untuk Memenuhi Sebagian Syarat Guna Memperoleh Gelar Sarjana Komputer (S.Kom) Pada Program Studi
Lebih terperinciBAB II TINJAUAN PUSTAKA. Turban mendefinisikan Decision Support System sebagai sekumpulan
BAB II TINJAUAN PUSTAKA 2.1 Decision Support System Turban mendefinisikan Decision Support System sebagai sekumpulan prosedur berbasis model untuk data pemrosesan dan penilaian guna membantu para pengambilan
Lebih terperinciANALISA POLA DATA HASIL PEMBANGUNAN KABUPATEN MALANG MENGGUNAKAN METODE ASSOCIATION RULE
ANALISA POLA DATA HASIL PEMBANGUNAN KABUPATEN MALANG MENGGUNAKAN METODE ASSOCIATION RULE Dewi Sibagariang 1), Karina Auliasari 2) 1.2) Jurusan Teknik Informatika, Institut Teknologi Nasional Malang Jalan
Lebih terperinciBAB III METODE PENELITIAN. desaign dan coding program. Dibutuhkan waktu selama kurang lebih 8 bulan
19 BAB III METODE PENELITIAN 3.1 Waktu dan Tempat Dalam penelitian ini memerlukan waktu yang cukup lama, yaitu dalam membuat desaign dan coding program. Dibutuhkan waktu selama kurang lebih 8 bulan untuk
Lebih terperinciBAB I PENDAHULUAN. yakni teknik mesin, teknik elektro dan teknik informatika. Namun bagi para calon
BAB I PENDAHULUAN I.1. Latar Belakang Sekolah Tinggi Teknologi Sinar Husni (STT. Sinar Husni) memiliki mahasiswa yang mayoritasnya adalah para pekerja, oleh karena itu banyak para pekerja yang melanjutkan
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 terperinciANALISIS ALGORITMA APRIORI UNTUK REKOMENDASI PENEMPATAN BUKU PADA PERPUSTAKAAN
1 ANALISIS ALGORITMA APRIORI UNTUK REKOMENDASI PENEMPATAN BUKU PADA PERPUSTAKAAN 1 Uma Mazida, 2 Ricardus Anggi Pramunendar, M.Cs Program Studi Teknik Informatika S1 Fakultas Ilmu Komputer Universitas
Lebih terperinciBAB 4 PERANCANGAN DAN IMPLEMENTASI PROGRAM. Oriented Programming) atau secara procedural.
38 BAB 4 PERANCANGAN DAN IMPLEMENTASI PROGRAM 4.1 Perancangan Program Aplikasi 4.1.1 Bentuk Program Suatu program dapat dibuat dengan dua cara yaitu secara OOP (Object Oriented Programming) atau secara
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 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 terperinciBAB II TINJAUAN PUSTAKA
DAFTAR ISI LEMBAR PENGESAHAN... i SURAT PERNYATAAN... ii ABSTRACT... iii ABSTRAKSI... iv KATA PENGANTAR... v DAFTAR ISTILAH... vii DAFTAR ISI... ix DAFTAR TABEL... xii DAFTAR GAMBAR... xiv DAFTAR SIMBOL...
Lebih terperinciANALISIS KETERKAITAN DATA TRANSAKSI PENJUALAN BUKU MENGGUNAKAN ALGORITMA APRIORI DAN ALGORITMA CENTROID LINKAGE HIERARCHICAL METHOD (CLHM)
ANALISIS KETERKAITAN DATA TRANSAKSI PENJUALAN BUKU MENGGUNAKAN ALGORITMA APRIORI DAN ALGORITMA CENTROID LINKAGE HIERARCHICAL METHOD (CLHM) Nurani 1, Hamdan Gani 2 1 nurani_nanni@yahoo.com, 2 hamdan.gani.inbox@gmail.com
Lebih 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 I PENDAHULUAN. Toko central menjual berbagai macam aksesoris hp untuk masyarakat yang
BAB I PENDAHULUAN I.1. Latar Belakang Toko central menjual berbagai macam aksesoris hp untuk masyarakat yang akan membeli. Toko central menyediakan aksesoris hp sesuai dengan banyaknya permintaan dari
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 terperinciAPLIKASI DATA MINING MARKET BASKET ANALYSIS PENJUALAN SUKU CADANG SEPEDA MOTOR MENGGUNAKAN METODE ASSOCIATION RULES PADA PT. SEJAHTERA MOTOR GEMILANG
APLIKASI DATA MINING MARKET BASKET ANALYSIS PENJUALAN SUKU CADANG SEPEDA MOTOR MENGGUNAKAN METODE ASSOCIATION RULES PADA PT. SEJAHTERA MOTOR GEMILANG EKA FITRIA WULANSARI Program Studi Teknik Informatika,
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Pendahuluan. 1.2 Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Pendahuluan Dewasa ini komputer berkembang sangat pesat di berbagai bidang kehidupan. Perkembangan ini didukung oleh proses komputasi yang sangat cepat dan juga dukungan pengolahan
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 terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Berbagai penemuan terbaru di dalam pengumpulan dan penyimpanan data telah memungkinkan berbagai organisasi untuk mengumpulkan berbagai data (data pembelian, data nasabah,
Lebih terperinciBAB I PENDAHULUAN. dalam suatu sistem basis data melalui aplikasi sistem informasi manajemen. Dari
BAB I PENDAHULUAN I.1. Latar Belakang Persaingan yang semakin ketat dalam penjualan menuntut para pebisnis untuk menemukan suatu strategi yang dapat meningkatkan penjualan dan pemasaran produk yang dijual,
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 ALGORITMA APRIORI UNTUK MENENTUKAN REKOMENDASI STRATEGI PENJUALAN PADA TOSERBA DIVA SKRIPSI
PENGGUNAAN ALGORITMA APRIORI UNTUK MENENTUKAN REKOMENDASI STRATEGI PENJUALAN PADA TOSERBA DIVA SKRIPSI Diajukan Untuk Memenuhi Salah Satu Syarat Guna Memperoleh Gelar Sarjana Komputer (S.Kom.) Pada Program
Lebih terperinciBAB 1 PENDAHULUAN Pengantar
BAB 1 PENDAHULUAN 1.1. Pengantar Perkembangan teknologi komputer saat ini sangatlah cepat sehingga komputer banyak digunakan di berbagai bidang. Dalam bidang usaha, penggunaan komputer dapat mempermudah
Lebih terperinciPenerapan Data Mining Penjualan Sepatu Menggunakan Metode Algoritma Apriori
Penerapan Data Mining Penjualan Sepatu Menggunakan Metode Algoritma Apriori Erma Delima Sikumbang Komputerisasi Akuntansi AMIK BSI Jakarta Jl. RS Fatmawati No. 24 Pondok Labu Jakarta Selatan Erma@bsi.ac.id
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 terperinciBAB III ANALISIS DAN PERANCANGAN
BAB III ANALISIS DAN PERANCANGAN III.1 Analisis Permasalahan Keputusan selama ini yang dilakukan oleh Toko Buku Sembilan Wali Medan untuk menentukan buku apa saja yang paling potensial dijual berdasarkan
Lebih terperinciPembentukan Temporal Association Rules Menggunakan Algoritma Apriori (Studi Kasus:Toko Batik Diyan Solo)
IJCCS, Vol.10, No.1, January 2016, pp.71~80 ISSN: 1978-1520 71 Pembentukan Temporal Association Rules Menggunakan Algoritma Apriori (Studi Kasus:Toko Batik Diyan Solo) Annisa Mauliani * 1, Sri Hartati
Lebih terperinciAPLIKASI DATA MINING UNTUK ANALISIS ASOSIASI POLA PEMBELIAN DENGAN ALGORITMA APRIORI
APLIKASI DATA MINING UNTUK ANALISIS ASOSIASI POLA PEMBELIAN DENGAN ALGORITMA APRIORI SKRIPSI Disusun Sebagai Salah Satu Syarat untuk Memperoleh Gelar Sarjana Komputer pada Departemen Ilmu Komputer/ Informatika
Lebih terperinciAPLIKASI DATA MINING ANALISIS DATA TRANSAKSI PENJUALAN OBAT MENGGUNAKAN ALGORITMA APRIORI (Studi Kasus di Apotek Setya Sehat Semarang)
Hapsari Dita Anggraeni, Ragil Saputra, Beta Noranita APLIKASI DATA MINING ANALISIS DATA TRANSAKSI PENJUALAN OBAT MENGGUNAKAN ALGORITMA APRIORI (Studi Kasus di Apotek Setya Sehat Semarang) Hapsari Dita
Lebih terperinciBAB 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 terperinciGambar Tahap-Tahap Penelitian
BAB III METODELOGI PENELITIAN Dalam menyelesaikan penelitian ini dibuat beberapa tahapan. Tahap-tahap kegiatan dijelaskan dalam Gambar 3.1 Studi Literatur Pengumpulan Data Retrieve Data Pre-Processing
Lebih terperinciPERBANDINGAN ALGORITMA APRIORI DAN ALGORITMA CT-Pro PADA KOMODITAS EKSPOR DAN IMPOR SKRIPSI ELISA SEMPA ARIHTA KABAN
PERBANDINGAN ALGORITMA APRIORI DAN ALGORITMA CT-Pro PADA KOMODITAS EKSPOR DAN IMPOR SKRIPSI ELISA SEMPA ARIHTA KABAN 101421012 PROGRAM STUDI EKSTENSI S1 ILMU KOMPUTER FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI
Lebih terperinciModul Praktikum WEKA. Pembaca modul ini diasumsikan telah mengerti dasar-dasar datamining.
Modul Praktikum WEKA Yudi Wibisono (e: yudi@upi.edu ); t: @yudiwbs Ilmu Komputer Universitas Pendidikan Indonesia (cs.upi.edu) Versi BETA : Oktober 2013 http://creativecommons.org/licenses/by-nc-sa/3.0/
Lebih terperinciTimor Setiyaningsih, Nur Syamsiah Teknik Informatika Universitas Darma Persada. Abstrak
DATA MINING MELIHAT POLA HUBUNGAN NILAI TES MASUK MAHASISWA TERHADAP DATA KELULUSAN MAHASISWA UNTUK MEMBANTU PERGURUAN TINGGI DALAM MENGAMBIL KEBIJAKAN DALAM RANGKA PENINGKATAN MUTU PERGURUAN TINGGI Timor
Lebih terperinciJURNAL IMPLEMENTASI DATA MINING ALGORITMA APRIORI PADA SISTEM PENJUALAN ROTI DI DIFA RIEN S BAKERY
JURNAL IMPLEMENTASI DATA MINING ALGORITMA APRIORI PADA SISTEM PENJUALAN ROTI DI DIFA RIEN S BAKERY Oleh: SITI TRI WAHYUNI 12.1.03.03.0033 Dibimbing oleh : 1. HERMIN ISTIASIH, ST.,MM.,MT 2. ARIE NUGROHO,
Lebih terperinciKata kunci: aplikasi data mining, Association Rule, Apriori, genre lagu, Radio
Aplikasi Data Mining Perhitungan Frekuensi Data Pemutaran lagu dengan metode Association Rule Menggunakan Algoritma Apriori (studi kasus Radio Republik Indonesia ( RRI ) Semarang) Hendra Andhyka Program
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 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 terperinciAPLIKASI DATA MINING UNTUK MENAMPILKAN INFORMASI TINGKAT KELULUSAN MAHASISWA
APLIKASI DATA MINING UNTUK MENAMPILKAN INFORMASI TINGKAT KELULUSAN MAHASISWA Yuli Asriningtias, Rodhyah Mardhiyah Program Studi Teknik Informatika Fakultas Bisnis & Teknologi Informasi, Universitas Teknologi
Lebih terperinciBAB 1 PENDAHULUAN 1.1 Pendahuluan 1.2 Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Pendahuluan Pada jaman modernisasi, teknologi digital mengambil alih dunia dengan terusmenerus berlomba berkreasi tiada henti-hentinya demi tercapainya kemudahan dan kecepatan penyebaran
Lebih terperinci1 BAB I 2 PENDAHULUAN
1 BAB I 2 PENDAHULUAN 1.1 Latar Belakang Data mining merupakan salah satu bidang ilmu yang berupaya untuk menemukan kaidah, pola, model, maupun informasi yang bersifat menarik dari sekumpulan data. Salah
Lebih terperinciAplikasi Data Mining untuk meneliti Asosiasi Pembelian Item Barang di Supermaket dengan Metode Market Basket Analysis
Aplikasi Data Mining untuk meneliti Asosiasi Pembelian Item Barang di Supermaket dengan Metode Market Basket Analysis ANDREAS HANDOJO, GREGORIUS SATIA BUDHI, HENDRA RUSLY Jurusan Teknik Informatika Universitas
Lebih terperinciBAB 1 PENDAHULUAN Latar Belakang
Bab 1 Pendahuluan BAB 1 PENDAHULUAN 1.1. Latar Belakang Pada era globalisasi saat ini, perkembangan teknologi tidak dapat dihindarkan dalam kehidupan manusia. Perkembangan teknologi yang ada, memiliki
Lebih terperinciA Decision Support Tool For Association Analysis
A Decision Support Tool For Association Analysis Rina Sibuea 1, Frans Juanda Simanjuntak 2, Sulastry Napitupulu 3, Daniel Elison Daya 4 Program Studi Manajemen Informatika, Politeknik Informatika Del Jl.Sisingamangaraja,
Lebih terperinciPENERAPAN METODE APRIORI ASOSIASI TERHADAP PENJUALAN PRODUCT COSMETIC UNTUK MENDUKUNG STRATEGI PENJUALAN
PENERAPAN METODE APRIORI ASOSIASI TERHADAP PENJUALAN PRODUCT COSMETIC UNTUK MENDUKUNG STRATEGI PENJUALAN SKRIPSI Diajukan untuk memenuhi salah satu syarat guna memperoleh gelar Sarjana Komputer (S.Kom)
Lebih terperinciPENERAPAN ASSOCIATION RULE DENGAN ALGORITMA APRIORI PADA TRANSAKSI PENJUALAN DI MINIMARKET SKRIPSI. Diajukan Untuk Memenuhi Sebagian Syarat Guna
PENERAPAN ASSOCIATION RULE DENGAN ALGORITMA APRIORI PADA TRANSAKSI PENJUALAN DI MINIMARKET SKRIPSI Diajukan Untuk Memenuhi Sebagian Syarat Guna Memperoleh Gelar Sarjana Komputer (S.Kom) Pada Program Studi
Lebih terperinciIMPLEMENTASI DATA MINING MENGGUNAKAN ALGORITMA ECLAT
IMPLEMENTASI DATA MINING MENGGUNAKAN ALGORITMA ECLAT Syafina Dwi Arinda 1, Sulastri 2 1,2 Fakultas Teknologi Informasi, Universitas Stikubank Semarang e-mail: 1 syafinadwi96@gmail.com, 2 sulastri@unisbank.ac.id
Lebih terperinciImplementasi Data Mining Algoritme Apriori Pada Sistem Penjualan Kusuma Shop
Implementasi Data Mining Algoritme Apriori Pada Sistem Penjualan Kusuma Shop Lutfi Mukaromah 1, Kusumaningtyas 2, Apriliani Galih Saputri 3, Harleni Vionita 4, Rendi Susilo 5,Tri Astuti 6, Lusi Dwi Oktaviana
Lebih terperinciKata kunci: Sistem Informasi, poin of sale, aplikasi data mining, algoritma apriori, Borland Delphi, SQL 2000, Association rules.
PERANCANGAN DAN PEMBUATAN APLIKASI DATA MINING DENGAN MENGGUNAKAN ALGORITMA APRIORI PADA MINI MARKET X Norio Nurtanio / 0422115 Jurusan Teknik Elektro, Fakultas Teknik, Jalan Prof. Drg. Suria Sumantri
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 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 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 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 terperinci