PENGGUNAAN METODE QUANTITATIVE ASSOCIATION RULES UNTUK MENCARI ATURAN ASOSIATIF DARI DATABASE PENGOBATAN
|
|
- Sukarno Tan
- 6 tahun lalu
- Tontonan:
Transkripsi
1 PENGGUNAAN METODE QUANTITATIVE ASSOCIATION RULES UNTUK MENCARI ATURAN ASOSIATIF DARI DATABASE PENGOBATAN Arif Arizal 1 1 Teknik Informatika, Universitas Bhayangkara, Surabaya 1 qariff@gmail.com Abstrak Permasalahan mencari asosiasi antara suatu kombinasi item obat beserta jumlah pemakaiannya banyak dialami oleh instansi rumahsakit maupun klinik kesehatan. Mereka mengalami kendala dalam memperkirakan kebutuhan obat dan mengetahui asosiasi antara satu obat dengan obat lainya. Penelitian ini bertujuan untuk mencari aturan asosiatif dari data penggunaan obat dan jumlah pemakaian obat dari database pengobatan. Dalam penelitian ini digunakan metode quantitative association rules. Penelitian ini berhasil menemukan 14 aturan yang menarik dengan minimum support 0.2% dan minimum confidence 75%. Nilai support dari quantitative association rules akan semakin kecil sebagai efek banyaknya item baru yang dihasilkan pada proses partition dan mapping. Metode association rules menemukan lebih banyak aturan dibanding dengan metode quantitative association rules. Kata kunci : Data mining, Quantitative Association Rules, Association Rules, Pengobatan Database Abstract The problem of association rules discovery between medicine item combination and quantities, occurred at many hospitals and health clinics agencies, are difficult in estimating medicine needs and discovering association between the medicine with other medicine. This study focuses on discovering association rules of medicine and quantities medicine of medication database. This study uses quantitative association rules methods. Found 14 interesting rules with minimum support 0.2% and minimum confidence 75%. The support of quantitative association rules will decrease drastically as the effect of new items generated in partition and mapping process. Association rules method generated more rules than quantitative association rules Keywords : Data mining, Quantitative Association Rules, Association Rules, Medication Database Teknik Informatika UAD Yogyakarta, 27 Juni
2 D 1. PENDAHULUAN alam dunia kesehatan, obat merupakan komponen yang penting, karena diperlukan dalam sebagaian besar upaya kesehatan baik untuk menghilangkan gejala dari suatu penyakit atau menyembuhkan penyakit, sehingga ketersediaan stok obat pada instansi pelayanan kesehatan menjadi sangat penting. Klinik Amanah merupakan salah satu instansi kesehatan yang berletak pada kabupaten sleman, klinik Amanah mengalami beberapa permasalahan berkaitan dengan obat, bagian inventori klinik Amanah tidak mengetahui hubungan keterkaitan jumlah pemakaian antara satu obat dengan obat lain, hal ini menyebabkan stok obat yang disediakan tidak sesuai dengan kebutuhan dan tidak jarang obat masuk tanggal kadaluarsa. Dari beberapa permasalah yang dialami oleh klinik Amanah, dapat dilihat bahwa, inti dari permasalahan adalah pihak inventori klinik Amanah tidak mengetahui perbandingan pemberian dosis/jumlah tiap-tiap obat dan hubungan keterkaitan antara satu obat dengan obat lainya. Untuk mencari solusi dari permasalahan diatas perlu dilakukan analisis terhadap database obat, sehingga bisa ditemukan pola-pola hubungan keterkaitan antara satu obat dengan obat lainya, analisis data obat bermanfaat untuk memperoleh informasi penting yang dapat digunakan untuk mencari solusi permasalahan diatas. Pada penelitian ini selain mencari pola aturan yang menarik dengan menganalisis data obat klinik Amanah dengan Quantitative Association Rules[1]. 2. QUANTITATIVE ASSOCIATION RULES 2.1 Association Rules Larose[3] menyatakan bahwa Analisis asosiasi didefinisikan sebagai suatu proses untuk menemukan semua aturan assosiatif yang memenuhi syarat minimum untuk support (minimum support) dan syarat minimum untuk confidence (minimum confidence). Analisis asosiasi dikenal juga sebagai salah satu teknik data mining yang menjadi dasar dari berbagai teknik data mining lainnya. Contoh dari aturan assosiatif dari analisa pembelian di suatu minimarket adalah dapat diketahuinya berapa besar kemungkinan seorang pelanggan membeli suatu barang bersamaan dengan barang lainya seperti membeli pasta gigi bersamaan dengan sikat gigi. Aturan assosiatif biasanya dinyatakan dalam bentuk : {pasta gigi, sikat gigi} {sabun mandi} (support = 30%, confidence = 40%) Yang artinya : "40% dari transaksi di database yang memuat item pasta gigi dan sikat gigi juga memuat item sabun mandi. Sedangkan 30% dari seluruh transaksi yang ada di database memuat ketiga item itu". Metodologi dasar analisis asosiasi terbagi menjadi dua tahap : a. Analisa frequent itemset Tahap ini mencari kombinasi item yang memenuhi syarat minimum dari nilai support dalam database. Nilai support sebuah item diperoleh dengan rumus berikut : Teknik Informatika UAD Yogyakarta, 27 Juni
3 Support ( <A>, <B> ) = Jumlah transaksi mengandung <A> dan <B> Total transaksi b. Pembentukan aturan assosiatif Setelah semua pola frekuensi tinggi ditemukan, barulah dicari aturan assosiatif yang memenuhi syarat minimum untuk confidence dengan menghitung confidence aturan assosiatif <A> <B> Nilai Confidence dari aturan <A> <B> diperoleh dari rumus berikut : Confidence (<A> <B>) = Jumlah transaksi mengandung <A> dan <B> Jumlah transaksi mengandung <A> Algoritma association rules yang sering digunakan antara lain: Apriori dan AprioriTID diperkenalkan oleh Agrawal dan Srikan pada [4], AIS pertamakali di perkenalkan di [5], DHP diperkenalkan oleh Park, Chen dan Yu pada [6], dari keempat algoritma tersebut AIS memiliki kinerja yang paling buruk, sedangkan DHP merupakan algoritma yang paling efisien, performa dari beberapa algoritma association rules tersebut dikemukakan di [4,6]. 2.2 Quantitative Association Rules Quantitative association rules ini pertama kali dikembangkan oleh seorang ilmuwan bernama Agrawal pada [1]. Quantitative association rules digunakan untuk menemukan aturan asosiasi antara satu barang dengan barang lainya dengan menghiraukan/menimbang jumlah pembeliannya. Untuk setiap item yang berbeda jumlah pembelianya diangap sebagai item kuantitatif yang berbeda. Salah satu contoh quantitative association rules adalah dapat diketahuinya berapa besar kemungkinan seorang pelanggan membeli 4kg gula bersamaan dengan membeli 2 bungkus teh. Beberapa penelitian tentang quantitative association rules [1,2,7,8]. Permasalahan utama dalam quantitative association rules terdiri dari 3 tahapan : a. Partition dan mapping Proses ini berfungsi untuk menggabungkan nilai quantity yang berdekatan ke dalam interval sehingga dukungan untuk setiap interval tidak kurang dari minimum support. Algoritma untuk partition dan mapping dapat dilihat pada [1,2]. b. Menemukan frequent itemset Proses ini berfungsi untuk mendapatkan kombinasi item yang terdapat dalam transaksi, kombinasi dilakukan mulai dari 2 kombinasi hingga N kombinasi, dimana N adalah jumlah kombinasi item terbanyak dari itemset yang terdapat dalam transaksi. Menemukan frequent itemset merupakan proses terpenting dari beberapa Teknik Informatika UAD Yogyakarta, 27 Juni
4 proses yang ada dalam mining. Penelitian yang menghasilkan algoritma menemukan frequent itemset yang efisien [ 2, 3, 4, 5,6]. c. Mendapatkan aturan yang mengandung nilai kuantitatif Proses mendapatkan aturan yang mengandung nilai kuantitatif pembentukan aturan assosiatif pada Association Rules. sama dengan proses 3. METODE PENELITIAN 3.1 Persiapan Data Dalam penelitian ini persiapan diawali dengan memilih database pengobatan dari klinik amanah condong catur sleman yogjakarta periode , dari data tersebut peneliti memfokuskan penelitian pada penggunaan data obat yang terekam dalam field pengobatan dari tabel recordmedis, contoh data dalam tabel recordmedis ditunjukan pada Tabel 1. no_transaks i Tabel 1 RecordMedis kdpasien Tgl Diagnosa Pengobatan /8/2008 Batuk, pilek>1 mg Yusimox 1, gg, ct 2 3x /8/2008 Radang tenggorokn Yusimox, ct 2, epidrin 2 3x /8/2008 Panas Primadex 2x1, mol 3x /8/2008 S:35/95, Bapil Yusimox, gg 3, ct 2, mol 2 Langkah selanjutnya peneliti mengambil data dari field recordmedis dan memberikan TID baru kemudian menyimpanya dalam tabel Transaksi, ditunjukan pada Tabel 2 TID Tabel 2 Transaksi Pengobatan 1 Yusimox 1, gg 2, ct 2 3x1 2 Yusimox, ct 2, epidrin 2 3x1 3 Primadex sy 2x1, mol sy 3x1 4 Yusimox, gg 3, ct 2, mol 2 Kolom pengobatan pada tabel Transaksi pada Tabel 2 akan di pecah menjadi 2 kolom, yaitu pengobatan dan quantity kemudian nama tabel diubah menjadi pengobatan. Tabel pengobatan ditunjukan pada Tabel 3. Tabel 3 Pengobatan TID Pengobatan Quantity Teknik Informatika UAD Yogyakarta, 27 Juni
5 1 Yusimox 1 1 gg 2 1 ct 2 2 Yusimox 1 2 ct 2 2 Epidrin 2 3 Primadex 2 3 mol sy 1 4 Yusimox 1 4 Gg 3 4 Ct 2 4 Mol 2 Data pada kolom Pengobatan yang terdapat pada tabel transaksi banyak terjadi inconsisten data sehingga perlu dilakukan cleaning. Dalam penelitian ini cleaning dilakukan dengan membandingkan isi kolom Pengobatan pada tabel Pengobatan dengan kolom namaobat pada tabel daftarobat yang ditunjukan pada Tabel 4, jika hasil pembandingan sama maka isi kolom pengobatan pada tabel transaksi akan diubah dengan isi dari kolom namaobat dari tabel daftarobat. Jika ada data yang tidak sama dengan data yang terdapat pada tabel daftarobat maka peneliti mengubah data tersebut sesuai data pada tabel daftarobat secara manual. Tabel 4 Daftar Obat TID Daftar Obat 1 Amoxcilin 2 Antalgin 3 Ambraxol 4 Yusimox Gg Perancangan sistem pencarian aturan asosiatif bermanfaat untuk mengetahui langkahlangkah dalam mengimplementasikan sistem kedalam suatu program aplikasi. Gambaran umum alur kerja aplikasi yang dikembangkan dalam penelitian ini dapat dilihat pada Gambar 1. Teknik Informatika UAD Yogyakarta, 27 Juni
6 Gambar 1 Alur Kerja Aplikasi yang Dikembangkan Aplikasi dimulai dengan input data berupa file xls yang memuat data transaksi yang akan di mining, kemudian sistem akan menanyakan apakah data yang diinput sesuai dengan format yang diminta jika tidak maka masuk ke proses preparation tapi jika data sesuai dengan format yang diminta maka proses selanjutnya adalah mapping data kedalam beberapa interval, proses selanjutnya mengubah data transaksi kedalam database aksen berdasarkan hasil proses mapping data, kemudian dilanjutkan dengan proses mining data yang akan mencari aturan menarik yang tersembunyi dalam data dan kemudian akan dipresentasikan dalam bentuk aturan asosiatif Implementasi Dalam mengaplikasikan algoritma Quantitative Association Rules, penulis menggunakan cara sebagai berikut : diawali dengan mengubah data kedalam bentuk collection map dimana item digunakan sebagai nama index map dan TID sebagai isi/anggota dari collection. Tabel 6 Contoh database transaksi TID Pengobatan 1 Amoxcilin 1 Antalgin 1 Ambraxol 2 Amoxcilin 2 Ambraxol 3 Amoxcilin Teknik Informatika UAD Yogyakarta, 27 Juni
7 Data pada Tabel 6 akan diubah kedalam bentuk collection map sebagai berikut: map(amoxcilin,{1,2,3}); map(antalgin,{1}); map(ambraxol,{1,2}); Langkah selanjutnya adalah menghitung support, untuk menghitung support dilakukan dengan menghitung jumlah isi/anggota dari collection, support amoxcilin adalah {1, 2} = 2/3=0.66, sedangkan support dari kombinasi amoxcilin dan ambraxol adalah {1, 2, 3} {1, 2} = {1,2} = dua isi, sehingga support dari amoxcilin dan ambroxol adalah 2/3 = 0.66 dimana dua adalah jumlah isi collection setelah proses interseksi. Sedangkan untuk menghitung confidence dari (amoxcilin, antalgin) => (ambraxol) didapat dari SP(amoxcilin, antalgin). SP(ambraxol) 4. HASIL DAN PEMBAHASAN Untuk mencari aturan asosiatif dari database pengobatan pada klinik amanah penulis menetapkan minimum support sebesar 0.2% dan minimum confidence sebesar 75%, dengan menggunakan data record sebanyak dan 67 macam item obat yang dimapping dengan quantitas item obat menjadi 303 item baru. Aturan asosiatif yang dihasilkan dapat dilihat pada Tabel 7. Tabel 7 aturan yang dihasilkan No Aturan Conf(%) 1 Ephedrine (12..15)=> citocotin (15) bronchitin(1) => primadex sy(1) 78 3 ambroxol(10),ctm(8..10) => citocotin(10) ctm(8..10),cypro(10) => vosea(10) ctm(8..10),vosea(10) => Cypro(10) ranitidine(10),allopurinol(10) => citocotin(10) citocotin(10),ranitidine(10) => allopurinol(10) primadex f(10),vosea(10) => Amoxicillin(10) 75 9 citocotin(11..12),abotil(15) => ambroxol(10) ambroxol(10),abotil(15) => citocotin(11..12) citocotin(15),antalgin(10) => Piroxicam(10) Piroxicam(10),antalgin(10) => citocotin(15) abotil(10),cypro(14) => citocotin(10) citocotin(10),cypro(14) => abotil(10) 100 Jika kita perhatikan pada Tabel 7 banyak aturan yang hampir sama, seperti pada aturan nomor 2 dan nomor 12 dimana pada aturan no 2 {citocotin(16)} => {Piroxicam(8..9)} antecedent (item yang berada disebelah kiri aturan) merupakan subset dari antecedent aturan Teknik Informatika UAD Yogyakarta, 27 Juni
8 no 12 {citocotin(15)},{antalgin(10)} => {Piroxicam(10)} dan consequent (item yang berada disebelah kanan aturan) kedua aturan tersebut sama. Pada kasus seperti ini kita dapat menggunakan konsep reduction rule [9], dimana kita dapat membuang aturan no 12 karena telah tercover oleh aturan no 2. Aturan asosiatif setelah disederhanakan dapat dilihat pada Tabel 8. Setelah proses reduksi masih terdapat beberapa aturan yang hampir sama akan tetapi item consequentnya berbeda dan item antecedentnya bukan merupakan subset dari aturan yang hampir sama, kasus seperti ini dapat kita lihat pada aturan nomor 5 dan 6 dimana kedua aturan tersebut memiliki item penyusun itemset yang sama yaitu ctm, cypro dan vosea akan tetapi item pada antecedent dan consequent berbeda, untuk kasus seperti ini penulis meggabungkan aturan tersebut menjadi satu dimana item consequent merupakan item yang tidak terdapat pada antecedent, contoh : Stok obat ctm, cypro dan vosea ditambah secara bersamaan. Tabel 8 Aturan setelah proses reduksi aturan No Aturan Conf(%) 1 ephedrine(12..15) => citocotin(15) bronchitin(1) => primadex sy(1) 78 3 ambroxol(10),ctm(8..10) => citocotin(10) ctm(8..10),cypro(10) => vosea(10) 100 ctm(8..10),vosea(10) => Cypro(10) 100 ranitidine(10),allopurinol(10) => 5 citocotin(10) 100 citocotin(10),ranitidine(10) => allopurinol(10) primadex f(10),vosea(10) => Amoxicillin(10) 75 7 citocotin(11..12),abotil(15) => ambroxol(10) 100 ambroxol(10),abotil(15) => citocotin(11..12) 75 8 citocotin(15),antalgin(10) => Piroxicam(10) 100 Piroxicam(10),antalgin(10) => citocotin(15) abotil(10),cypro(14) => citocotin(10) 100 citocotin(10),cypro(14) => abotil(10) 100 Berdasarkan penjelasan pada alinea diatas maka aturan yang terdapat pada tabel 8 dapat diinterpretasikan menjadi: a. jika stok obat ephedrine ditambah 12 sampai 15 buah maka sebaiknya juga ditambah citocotin berjumlah 15 dan piroxicam berjumlah 8 sampai 9. b. Jika stok obat broncitin ditambah 1 maka sebaiknya stok obat primades sy juga ditambah sebanyak 1 buah. c. jika stok obat ambroxol ditambah 10 dan ctm ditambah 8 sampai 9 maka sebaiknya stok obat citocotin juga ditambah 10 buah. d. Stok obat ctm, cypro dan vosea ditambah secara bersamaan dengan jumlah penambahan masing-masing 10 buah. e. Stok obat ranitidine, citocotin dan allopurinol ditambahkan secara bersamaan dengan jumlah penambahan masing-masing 10 buah. Teknik Informatika UAD Yogyakarta, 27 Juni
9 f. jika obat primadex ditambah 10 dan vosea ditambah 10 maka stok obat amoxicillin juga ditambah 10 buah. g. Ketiga obat berikut ditambah bersamaan, citocotin berjumlah 11 sampai 12, abotil berjumlah 10 dan ambroxol berjumlah 10 buah. h. Ketiga obat berikut ditambah bersamaan, citocotin berjumlah 15, antalgin berjumlah 10 dan piroxicam berjumlah 10 buah. i. Ketiga obat berikut ditambah bersamaan, citocotin berjumlah 10, cypro berjumlah 14 dan abotil berjumlah 15 buah. Berdasarkan aturan menarik yang dihasilkan setelah proses penyederhanaan dapat dilihat bahwa aturan yang ditemukan mengacu pada penyakit flu, saluran nafas (batuk, asma, bronkitis ), maag dan sariawan. Adapun contoh pemakaian aturan menarik yang ditemukan sebagai berikut: Masalah : Beberapa jenis obat pada klinik sudah menipis terutama 2 jenis obat ephedrine dan ranitidine. Penyelesaian: Berdasarkan 10 aturan asosiatif diatas maka pihak klinik akan menambah stok ephedrine sebanyak 150, citocotin sebanyak 150, piroxicom sebanyak 90, ranitidine sebanyak 100 dan allopurinol sebanyak 100, selain jenis obat tersebut pihak klinik dapat menambahkan stok seperti biasa. Penambahan stok ephedrine mengakibatkan penambahan stok untuk obat citocotin dan piroxicom mengacu pada aturan no 1 dimana biasanya pemberian obat ephedrin bersamaan dengan pemberian obat citocotin dan piroxicom, penambahan stok citocotin dan ranitidine menyebabkan ditambambahnya stok untuk obat allopurinol mengacu pada aturan no 6 dimana pemberian obat citocotin dan ranitidine biasanya juga memberi obat allpurinol. Untuk memeriksa nilai support tiap itemset, dapat menggunakan formula SQl berikut ini: select count(*) from (select count(*) as jml from (select distinct obat,tid from (select concat(pengobatan,quantity) as obat,tid from pengobatan_aksen) sbpengobatn where obat in ('ephedrine5')) sub group by tid) sub2 where jml=1 formula SQL diatas digunakan untuk menghitung nilai support dari item ephedrine5, dan jml=1 dapat diganti dengan jumlah item dalam itemset yang dihitung. Jadi jika ingin menghitung itemset abotil2 dan cicocotin5 maka ephedrine5 diganti dengan abotil2, citocotin5 dan jml=1 diganti dengan jml=2. Perbandingan Algoritma Quantitative Association Rules dan Association Rules Menggunakan Algoritma Apriori Kedua algoritma tersebut menghasilkan aturan yang berbeda, baik dari jumlah aturan dapat dilihat pada Tabel 9 maupun kombinasi item dalam aturan yang ditemukan, perbedaan hasil dari kedua algoritma itu terlihat sangat mencolok. Perbedaan tersebut diakibatkan oleh proses partition dan mapping pada Quantitative Association Rules, nilai minimum support yang ditentukan untuk mempartisi quantity item sangat mempengaruhi jumlah item baru yang Teknik Informatika UAD Yogyakarta, 27 Juni
10 ditemukan pada proses partition dan mapping, semakin kecil nilai minimum support maka semakin banyak item baru yang dihasilkan. Tabel 9 Perbandingan Algoritma Quantitative Association Rules dan Algoritma Association Rules Menggunakan Apriori Support(% Rules yg dihasilkan Rules yg dihasilkan ) quantitative association rules association rules dg apriori Artool dg apriori aplikasi penelitian dg quantitative association rules Confidence Support(%) Gambar 3 Perbandingan aturan yang ditemukan oleh Apriori dan Quantitative Association Rules Dari Tabel 9 dan Gambar 3 dapat kita lihat bahwa aplikasi pembanding yaitu Artools menemukan lebih banyak rules dibanding dengan aplikasi yang penulis kembangkan, aplikasi yang penulis kembangkan hanya mampu menemukan lebih banyak aturan pada 2 nilai support Teknik Informatika UAD Yogyakarta, 27 Juni
11 yaitu pada support 0.161% dan 0.17%. Selisih aturan yang dihasilkan antara Artool dan aplikasi yang penulis kembangkan sangat besar dapat kita lihat pada support selisih jumlah aturan yang ditemukan 284. Besarnya selisih aturan yang ditemukan oleh Artool dan aplikasi yang penulis kembangkan di sebabkan oleh perbedaan model yang digunakan, pada Artool menggunakan model AR (Association Rules) sedangkan pada aplikasi yang penulis kembangkan menggunakan model QAR (Quantitative Association Rules), perbedaan utama dari model AR dan QAR adalah proses partition dan mapping item yang terdapat pada QAR, jika dalam AR hanya terdapat 2 proses utama yaitu mencari frequent itemset dan mencari aturan sedangkan pada QAR terdapat 3 proses utama yaitu partition dan mapping, mencari frequent itemset dan mencari aturan. Jumlah aturan yang dihasilkan oleh aplikasi yang penulis kembangkan sangat dipengaruhi oleh banyaknya item baru yang dihasilkan pada tahap partition dan mapping. Pengaruh item baru yang dihasilkan pada proses mapping terhadap aturan asosiasi yang dihasilkan dapat diilustrasikan sebagai berikut : Item amoxcilin sebelum dimapping memiliki support 4%, syarat minimum support 2%, saat proses mapping amoxcilin mendapat empat nilai integer sebagai alias interval yaitu 1, 2, 3 dan 4 sehingga item amoxcilin menjadi empat item baru antara lain : <amoxcilin,1>, <amoxcilin,2>, <amoxcilin,3> dan <amoxcilin,1>. Item amoxcilin yang awalnya dapat memenuhi support menjadi tidak dapat memenuhi support karena support dari item amoxcilin lama dibagi lagi kedalam item baru yang berjumlah 4 buah, dengan asumsi masing-masing item baru memiliki support 1%. 5. KESIMPULAN dan SARAN Berdasarkan pembahasan pada bagin sebelumnya maka diambil kesimpulan sebagai berikut: a. Dengan minimum support 0.2% dan minimum confidence 75% aplikasi yang penulis kembangkan dapat menemukan 14 aturan asosiatif dan 11 diantaranya memiliki nilai confiden 100%. b. Dari percobaan yang penulis lakukan diketahui bahwa nilai support pada Quantitative Association Rules akan semakin kecil sebagai efek banyaknya item baru yang dihasilkan pada proses partition dan mapping. Dari hasil penelitian yang dilakukan oleh penulis, maka penulis menyarankan untuk pengembangan penelitian yang serupa agar lebih baik adalah sebagai berikut : a. Data yang dapat dianalisa tidak sebatas data dalam database saja. b. Menguji sekaligus mengembangkan penggunaan collection Map dan List untuk mempercepat proses pencarian aturan. c. Mengkonversi sistem kedalam web based dan online sehingga dapat digunakan oleh siapa saja dibelahan dunia. Teknik Informatika UAD Yogyakarta, 27 Juni
12 DAFTAR PUSTAKA [1] Srikant, R. dan Agrawal, R., 1996, Mining Quantitative Association Rules in Large Relational Tables, 600, diakses 12 Februari 2011 [2] Tsai, S.M. dan Chen, C., 2001, Mining Quantitative Association Rules in a Large Database of Sales Transactions, JISE, 17, , /page/jise/2001/200107_ 08.pdf. [3] Larose, and Daniel, T., 2005, Discovering Knowledge in Data : An Introduction to Data Mining, John Willey & Sons, Inc. [4] Agrawal, R. dan Srikant, R., 1994, Fast Algorithms for Mining Association Rules, 20th VLDB Conference Santiago, Chile. [5] Agrawal, R., Imielinski, T., dan Swami, A., 1993, Mining association rules between sets of items in large databases, in Proceedings of ACM SIGMOD, 1993, pp [6] Park, J. S., Chen, M. S., dan Yu, P. S., 1997, Using a hash-based Method with transaction trimming for mining association rules, IEEE Transactions on Knowledge and Data Engineering, Vol. 9, No. 5, 1997, pp [7] Adhikari, R. dan Rao, P.R., 2008, Association Rules Induced by Item and Quantity Purchased, LNCS, 4947, [8] Kumar, P. dan Ananthanarayana, V.S., 2002, Discovery of Frequent Itemsets Based on Minimum Quantity and Support, IJCSS, 3, 3, [9] Li, J. dan Cercone, N., 2006, Introducing A Rule Importance Measure, LNCS, 4100/2006, Teknik Informatika UAD Yogyakarta, 27 Juni
PENERAPAN 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 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 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 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 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 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 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 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 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 terperinciPEMBUATAN PERANGKAT LUNAK DATA MINING UNTUK PENGGALIAN KAIDAH ASOSIASI MENGGUNAKAN METODE APRIORI
PEMBUATAN PERANGKAT LUNAK DATA MINING UNTUK PENGGALIAN KAIDAH ASOSIASI MENGGUNAKAN. (Leo Willyanto S.) PEMBUATAN PERANGKAT LUNAK DATA MINING UNTUK PENGGALIAN KAIDAH ASOSIASI MENGGUNAKAN METODE APRIORI
Lebih terperinciPembuatan Perangkat Lunak Data Mining Untuk Penggalian Kaidah Asosiasi Menggunakan Metode Apriori
Pembuatan Perangkat Lunak Data Mining Untuk Penggalian Kaidah Asosiasi Menggunakan Metode Apriori Leo Willyanto Santoso Fakultas Teknologi Industri, Jurusan Teknik Informatika, Universitas Kristen Petra
Lebih terperinciJURNAL IMPLEMENTASI DATA MINING UNTUK MEMPREDIKSI HASIL PENJUALAN BARANG PADA TOKO SINAR BARU DENGAN MENGGUNAKAN ALGORITMA APRIORI
JURNAL IMPLEMENTASI DATA MINING UNTUK MEMPREDIKSI HASIL PENJUALAN BARANG PADA TOKO SINAR BARU DENGAN MENGGUNAKAN ALGORITMA APRIORI IMPLEMENTATION OF DATA MINING TO PREDICT RESULTS OF SALES GOODS IN THE
Lebih terperinciPENERAPAN DATA MINING DALAM ANALISIS KEJADIAN TANAH LONGSOR DI INDONESIA DENGAN MENGGUNAKAN ASSOCIATION RULE ALGORITMA APRIORI
PENERAPAN DATA MINING DALAM ANALISIS KEJADIAN TANAH LONGSOR DI INDONESIA DENGAN MENGGUNAKAN ASSOCIATION RULE ALGORITMA APRIORI Dewi Setianingsih, RB Fajriya Hakim Program Studi Statistika Fakultas Matematika
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 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 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 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 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 terperinciPENERAPAN METODE ASOSIASI DATA MINING MENGGUNAKAN ALGORITMA APRIORI UNTUK MENGETAHUI KOMBINASI ANTAR ITEMSET PADA PONDOK KOPI
PENERAPAN METODE ASOSIASI DATA MINING MENGGUNAKAN ALGORITMA APRIORI UNTUK MENGETAHUI KOMBINASI ANTAR ITEMSET PADA PONDOK KOPI Fitri Nurchalifatun Fakultas Ilmu Komputer, Universitas Dian Nuswantoro, Jl.
Lebih terperinciASSOCIATION RULES PADA TEXT MINING
Text dan Web Mining - FTI UKDW - BUDI SUSANTO 1 ASSOCIATION RULES PADA TEXT MINING Budi Susanto versi 1.2 Text dan Web Mining - FTI UKDW - BUDI SUSANTO 2 Tujuan Memahami algoritma Apriori dan FP-Growth
Lebih terperinciBAB 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 terperinciAnalisa Data Mining Menggunakan Algoritma Frequent Pattern Growth Pada Data Transaksi Penjualan Restoran Joglo Kampoeng Doeloe Semarang
Analisa Data Mining Menggunakan Algoritma Frequent Pattern Growth Pada Data Transaksi Penjualan Restoran Joglo Kampoeng Doeloe Semarang Tia Arifatul Maulida Fakultas Ilmu Komputer, Universitas Dian Nuswantoro,
Lebih 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 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 ALGORTIMA APRIORI PADA DATA MINING UNTUK MENGELOMPOKKAN BARANG BERDASARKAN KECENDERUNGAN KEMUNCULAN BERSAMA DALAM SATU TRANSAKSI.
PENERAPAN ALGORTIMA APRIORI PADA DATA MINING UNTUK MENGELOMPOKKAN BARANG BERDASARKAN KECENDERUNGAN KEMUNCULAN BERSAMA DALAM SATU TRANSAKSI Abstrak Data Mining is the process of extracting knowledge hidden
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 terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Dasar Teori 2.1.1 Data Mining Data mining adalah suatu istilah yang digunakan untuk menguraikan penemuan pengetahuan di dalam database. Data mining adalah Proses yang menggunakan
Lebih terperinciPREDIKSI KEBUTUHAN PENOMORAN PADA JARINGAN TELEKOMUNIKASI MENGGUNAKAN METODE APRIORI
Prediksi Kebutuhan Penomoran Pada Jaringan Telekomunikasi. (Muztafid Khilmi) PREDIKSI KEBUTUHAN PENOMORAN PADA JARINGAN TELEKOMUNIKASI MENGGUNAKAN METODE APRIORI Mustafid Khilmi 1) Achmad Affandi 2) 1)
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA Pada tinjauan pustaka ini membahas tentang landasan teori yang medukung pembahasan yang berhubungan dengan sistem yang akan dibuat. 2.1 Data Mining Data mining adalah kegiatan menemukan
Lebih 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 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 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 terperinciDATA MINING MENGGUNAKAN ALGORITMA APRIORI UNTUK ANALISIS PENJUALAN
PROSIDING SEMINAR ILMIAH SISTEM INFORMASI DAN TEKNOLOGI INFORMASI Pusat Penelitian dan Pengabdian Pada Masyarakat (P4M) STMIK Dipanegara Makassar Jl. Perintis Kemerdekaan Km. 9 Makassar 1 DATA MINING MENGGUNAKAN
Lebih terperinciAnalisis Asosiasi pada Transaksi Obat Menggunakan Data Mining dengan Algoritma A Priori
Jurnal Sistem dan Teknologi Informasi (JUSTIN) Vol. 1, No. 1, (2016) 1 Analisis Asosiasi pada Transaksi Obat Menggunakan Data Mining dengan Algoritma A Priori Despitaria 1, Herry Sujaini 2, Tursina 3 Program
Lebih terperinciAnalisis asosiasi Penguasaan ICT Mahasiswa Baru dan Pencapaian Prestasi Akademik Mahasiswa dengan Algoritma Apriori.
SEMINAR NASIONAL MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2016 Analisis asosiasi Penguasaan ICT Mahasiswa Baru dan Pencapaian Prestasi Akademik Mahasiswa dengan Algoritma Apriori. Kuswari Hernawati 1,
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 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 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 terperinciCross-Selling: Perangkat Utama Customer Relationship Managem. Meningkatkan Loyalitas Pelanggan
Cross-Selling: Perangkat Utama Customer Relationship Management (CRM) Untuk Meningkatkan Loyalitas Pelanggan Seminar Kenaikan Jabatan at Department of Information Systems, Faculty of Computer Science,
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 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 terperinciIMPLEMENTASI ALGORITMA ECLAT UNTUK FREQUENT PATTERN MINING PADA PENJUALAN BARANG
Jurnal Teknologi Media Teknika Volume 10 Nomor 02, Desember 2015 ISSN 1412 5641 IMPLEMENTASI ALGORITMA ECLAT UNTUK FREQUENT PATTERN MINING PADA PENJUALAN BARANG Joseph Eric Samodra, Budi Susanto(*), Willy
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 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 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 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 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 terperinciIDENTIFIKASI POLA PENYAKIT ANAK DIBAWAH 5 TAHUN (BALITA) DENGAN MENGGUNAKAN ALGORITMA APRIORI
IDENTIFIKASI POLA PENYAKIT ANAK DIBAWAH 5 TAHUN (BALITA) DENGAN MENGGUNAKAN ALGORITMA APRIORI Ismul Zamroni 1), Indah Werdiningsih 2), Purbandini 3) 1,2,3) Program Studi S1 Sistem Informasi, Fakultas Sains
Lebih terperinciDecision Support on Supply Chain Management System Using Apriori Data Mining Algorithm
Decision Support on Supply Chain Management System Using Apriori Data Mining Algorithm Eka Widya Sari, Ahmad Rianto, Siska Diatinari Andarawarih College Of Informatics And Computer Engineering Indonesia
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 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 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 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 terperinciJURNAL TEKNIK ITS Vol. 1, (Sept, 2012) ISSN: A-445
JURNAL TEKNIK ITS Vol. 1, (Sept, 2012) ISSN: 2301-9271 A-445 Pengembangan Sistem Rekomendasi Penelusuran Buku dengan Penggalian Association Rule Menggunakan Algoritma Apriori (Studi Kasus Badan Perpustakaan
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 terperinciANALISIS KETERKAITAN DATA TRANSAKSI PENJUALAN BUKU MENGGUNAKAN ALGORITMA APRIORI DAN ALGORITMA CENTROID LINKAGE HIERARCHICAL METHOD (CLHM)
ANALISIS KETERKAITAN DATA TRANSAKSI PENJUALAN BUKU MENGGUNAKAN ALGORITMA APRIORI DAN ALGORITMA CENTROID LINKAGE HIERARCHICAL METHOD (CLHM) Nurani 1, Hamdan Gani 2 1 nurani_nanni@yahoo.com, 2 hamdan.gani.inbox@gmail.com
Lebih terperinciBAB II TINJAUAN PUSTAKA. Bab ini menguraikan tentang teori-teori penunjang yang dipakai dalam
12 BAB II TINJAUAN PUSTAKA Bab ini menguraikan tentang teori-teori penunjang yang dipakai dalam melakukan penelitian data mining dengan metode asosiasi menggunakan algoritma apriori yang terdiri dari state
Lebih terperinciMERANCANG SISTEM APLIKASI RULE PENGETAHUAN MENGGUNAKAN ALGORITMA APRIORI PADA TRANSAKSI SWALAYAN HARYS PERDANA NGANJUK SKRIPSI
MERANCANG SISTEM APLIKASI RULE PENGETAHUAN MENGGUNAKAN ALGORITMA APRIORI PADA TRANSAKSI SWALAYAN HARYS PERDANA NGANJUK SKRIPSI Diajukan Untuk Memenuhi Sebagian Syarat Guna Memperoleh Gelar Sarjana Komputer
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 terperinciANALISA POLA TRANSAKSI OBAT MENGGUNAKAN ALGORITMA APRIORI Shalsabilla Luthfi Dewati ABSTRAK
ANALISA POLA TRANSAKSI OBAT MENGGUNAKAN ALGORITMA APRIORI Shalsabilla Luthfi Dewati ABSTRAK Poliklinik merupakan salah satu bentuk pelayanan masyarakat dalam bidang kesehatan. Pada umumnya poliklinik hanya
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 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 terperinciAnalisis Pola Pembelian Obat dan Alat Kesehatan di Klinik Ibu dan Anak Graha Amani dengan Menggunakan Algoritma Apriori Endah Nur Salamah 1, Nurissaidah Ulinnnuha 2 1,2 Program Studi Matematika Universitas
Lebih terperinciBAB III ANALISIS DAN DESAIN SISTEM
BAB III ANALISIS DAN DESAIN SISTEM III.1. Analisa Masalah Apotek Rumah Sakit Islam Malahayati merupakan suatu organisasi bisnis yang berkembang di Indonesia. Apotek Rumah Sakit Islam Malahayati bergerak
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 terperinci1 st Seminar on Application and Research in Industrial Technology, SMART Yogyakarta, 27 April 2006
Metode Market Basket Analysis menggunakan Algoritma Pincer Search untuk Sistem Pembantu Pengambilan Keputusan Gregorius S. Budhi, Leo W. Santoso, Edward Susanto Jurusan Teknik Informatika, Fakultas Teknologi
Lebih terperinciPENERAPAN ALGORITMA APRIORI DALAM MENENTUKAN STRATEGI PENJUALAN MAKANAN RINGAN (Studi Kasus: Toko Pak Herry Templek - Gadungan)
PENERAPAN ALGORITMA APRIORI DALAM MENENTUKAN STRATEGI PENJUALAN MAKANAN RINGAN (Studi Kasus: Toko Pak Herry Templek - Gadungan) SKRIPSI Diajukan Untuk Memenuhi Sebagai Syarat Guna Memperoleh Gelar Sarjana
Lebih terperinciPENGGALIAN KAIDAH MULTILEVEL ASSOCIATION RULE DARI DATA MART SWALAYAN ASGAP
PENGGALIAN KAIDAH MULTILEVEL ASSOCIATION RULE DARI DATA MART SWALAYAN ASGAP Teguh Pradana 1) 1) Program Studi/Prodi Teknik Informatika, STMIK Yadika, email: INTI_PERSADA_SOFTWARE@yahoo.co.id Abstrak: Perkembangan
Lebih terperinciPenelitian 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 terperinciUKDW BAB I PENDAHULUAN
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Untuk dapat meningkatkan penjualan, pengambil keputusan / manajer toko harus dapat memperhatikan faktor-faktor yang mempengaruhi secara langsung. Salah satu
Lebih 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 terperinciPENERAPAN ALGORITMA APRIORI UNTUK MENENTUKAN FREKUENSI ITEM SET SEBAGAI STRATEGI PENJUALAN DI TOKO PUTRA MANIS SURAKARTA SKRIPSI
PENERAPAN ALGORITMA APRIORI UNTUK MENENTUKAN FREKUENSI ITEM SET SEBAGAI STRATEGI PENJUALAN DI TOKO PUTRA MANIS SURAKARTA SKRIPSI Disusun sebagai salah satu syarat menyelesaikan Jenjang Strata I pada Jurusan
Lebih terperinciIMPLEMENTASI DATA MINING PADA PENJUALAN TIKET PESAWAT MENGGUNAKAN ALGORITMA APRIORI (Studi Kasus: Jumbo Travel Medan)
IMPLEMENTASI DATA MINING PADA PENJUALAN TIKET PESAWAT MENGGUNAKAN ALGORITMA APRIORI (Studi Kasus: Jumbo Travel Medan) Sri Rahayu Siregar ( 0911882) Mahasiswa Program Studi Teknik Informatika, STMIK Budidarma
Lebih terperinciBAB 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 ASSOCIATION RULE MINING PADA DATA NOMOR UNIK PENDIDIK DAN TENAGA KEPENDIDIKAN UNTUK MENEMUKAN POLA SERTIFIKASI GURU
PENERAPAN ASSOCIATION RULE MINING PADA DATA NOMOR UNIK PENDIDIK DAN TENAGA KEPENDIDIKAN UNTUK MENEMUKAN POLA SERTIFIKASI GURU Amiruddin*, Dr. I Ketut Eddy Purnama, ST, MT** Prof. Dr. Mauridhi Hery Purnomo,
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 terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Data Mining Istilah data mining memiliki beberapa padanan, seperti knowledge discovery ataupun pattern recognition. Kedua istilah tersebut sebenarnya memiliki ketepatannnya masing-masing.
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 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 terperinciIMPLEMENTASI ALGORITMA-ALGORITMA ASSOCIATION RULES SEBAGAI BAGIAN DARI PENGEMBANGAN DATA MINING ALGORITHMS COLLECTION
IMPLEMENTASI ALGORITMA-ALGORITMA ASSOCIATION RULES SEBAGAI BAGIAN DARI PENGEMBANGAN DATA MINING ALGORITHMS COLLECTION Yova Ruldeviyani 1), Muhammad Fahrian 2) Fakultas Ilmu Komputer - Universitas Indonesia
Lebih terperinciANALISIS DAN IMPLEMENTASI ALGORITMA FP-GROWTH PADA APLIKASI SMART UNTUK MENENTUKAN MARKET BASKET ANALYSIS PADA USAHA RETAIL (STUDI KASUS : PT.
ANALISIS DAN IMPLEMENTASI ALGORITMA FP-GROWTH PADA APLIKASI SMART UNTUK MENENTUKAN MARKET BASKET ANALYSIS PADA USAHA RETAIL (STUDI KASUS : PT.X) ANALYSIS AND IMPLEMENTATION OF FP-GROWTH ALGORITHM IN SMART
Lebih terperinciSISTEM SISTEM REKOMENDASI BIDANG MINAT MAHASISWA MENGGUNAKAN METODE ASSOCIATION RULE DAN ALGORITMA APRIORI
SISTEM SISTEM REKOMENDASI BIDANG MINAT MAHASISWA MENGGUNAKAN METODE ASSOCIATION RULE DAN ALGORITMA APRIORI Nama Mahasiswa : NUCIFERA DIAHPANGASTUTI NRP : 505 00 070 Jurusan : Teknik Informatika FTIF-ITS
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 terperinciRANCANG BANGUN APLIKASI DATA MINING ANALISIS TINGKAT KELULUSAN MENGGUNAKAN ALGORITMA FP-GROWTH (Studi Kasus Di Politeknik Negeri Malang)
RANCANG BANGUN APLIKASI DATA MINING ANALISIS TINGKAT KELULUSAN MENGGUNAKAN ALGORITMA FP-GROWTH (Studi Kasus Di Politeknik Negeri Malang) Naufal Farras Hilmy 1, Banni Satria Andoko 2 Program Studi Teknik
Lebih terperinciBAB 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 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 terperinciALGORITMA ATURAN ASOSIASI APRIORI-TID DENGAN METODE KLASTERISASI HIERARKI AGLOMERATIF. Tri Khairul I.A 1 ABSTRAK
ALGORITMA ATURAN ASOSIASI APRIORI-TID DENGAN METODE KLASTERISASI HIERARKI AGLOMERATIF. Pendahuluan Tri Khairul I.A. Jurusan Matematika FMIPA Universitas Hasanuddin Makassar 905 e-mail: narutolik@linuxmail.org
Lebih terperinciREKOMENDASI SOLUSI PADA COMPUTER MAINTENANCE MANAGEMENT SYSTEM MENGGUNAKAN ASSOCIATION RULE, KOEFISEN KORELASI PHI DAN CHI-SQUARE
REKOMENDASI SOLUSI PADA COMPUTER MAINTENANCE MANAGEMENT SYSTEM MENGGUNAKAN ASSOCIATION RULE, KOEFISEN KORELASI PHI DAN CHI-SQUARE Farid Sukmana 1) dan Joko Lianto Buliali 2) 1) Management of Information
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 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 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 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 terperinciPENERAPAN METODE ASOSIASI GSP DAN APRIORI UNTUK STOK DAN REKOMENDASI PRODUK
Konferensi Nasional Ilmu Sosial & Teknologi (KNiST) Maret 2017, pp. 412~416 412 PENERAPAN METODE ASOSIASI GSP DAN APRIORI UNTUK STOK DAN REKOMENDASI PRODUK Elly Muningsih AMIK BSI Yogyakarta e-mail : elly.emh@bsi.ac.id
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 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 terperinciAnalisis Hasil Implementasi Data Mining Menggunakan Algoritma Apriori pada Apotek
Analisis Hasil Implementasi Data Mining Menggunakan Algoritma Apriori pada Apotek Aris Wijayanti Jurusan Teknik Informatika Universitas PGRI Ronggolawe Tuban Jl. Manunggal No. 61 Tuban Ariswjy@yahoo.com
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 terperinciANALISIS KERANJANG BELANJA DENGAN ALGORITMA APRIORI PADA PERUSAHAAN RETAIL
Seminar Nasional Sistem Informasi Indonesia, 2-4 Desember 2013 ANALISIS KERANJANG BELANJA DENGAN ALGORITMA APRIORI PADA PERUSAHAAN RETAIL A.A. Gede Bagus Ariana 1), I Made Dwi Putra Asana 2) 1 STMIK STIKOM
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Dalam periode enam tahun terakhir (tahun 2007 2012), jumlah gerai ritel modern di Indonesia mengalami pertumbuhan rata-rata 17,57% per tahun. Pada tahun 2007, jumlah
Lebih terperinciBAB I PENDAHULUAN. frekuensi tinggi antar himpunan itemset yang disebut fungsi Association
1 BAB I PENDAHULUAN 1.1 Latar Belakang Belakangan ini data mining telah diimplementasikan keberbagai bidang, diantaranya dalam bidang bisnis atau perdangangan, dan telekomunikasi. Data Mining diartikan
Lebih terperinci