BAB II TINJAUAN PUSTAKA
|
|
- Liana Hadiman
- 6 tahun lalu
- Tontonan:
Transkripsi
1 BAB II TINJAUAN PUSTAKA 2.1 Recommender System Berdasarkan [6], Recommender System merupakan bagian dari Sistem Pengolahan Informasi yang dimaksudkan untuk mempresentasikan informasi yang mungkin diminati oleh pengguna pada masa kini. Recommender System akan membandingkan informasi dari user profile seorang user berdasarkan histori user tersebut dan/atau membandingkannya dengan profile user lain dengan latar belakang atau minat yang serupa untuk menyediakan informasi beberapa item dengan peringkat tertinggi yang relevan dengan item yang kemungkinan diminati oleh user pada saat ini. Recommender System berupaya untuk mengurangi overload informasi dan mempertahankan pelanggan dengan menyediakan informasi beberapa item dari sejumlah besar kemungkinan pilihan berdasarkan preferensi pengguna. Preferensi dapat merefleksikan sebuah kondisi mental seorang individu yang berhubungan dengan sekelompok barang dari sejumlah besar alternatif. Seorang individu menentukan sebuah preferensi berdasarkan pengalamannya dengan sejumlah barang yang relevan, seperti musik, buku, film, makanan, dan sebagainya. Rekomendasi yang dihasilkan berfungsi sebagai filter untuk memperoleh informasi dari sumber yang berukuran sangat besar dan umumnya tidak dapat diakses oleh sembarang orang. Sekenario umum sebuah Recommender System berbentuk sebuah portal online yang berinteraksi langsung dengan user. Umumnya Recommender System menyediakan sejumlah daftar item untuk dipilih satu atau lebih item oleh user untuk memperoleh informasi detailnya atau untuk melakukan interaksi dalam bentuk lainnya. Contohnya seperti pada situs E-Commerce Amazon.com yang menyediakan daftar barang yang terpisah untuk kemudian dilihat informasi detailnya atau untuk dibeli. II-1
2 II-2 Sebuah web server memiliki database dan biasanya menyajikan informasi dari database dengan cara menampilkannya pada halaman web berupa daftar informasi yang dapat diakses. Dikarenakan terlalu banyak informasi di dalam database untuk ditampilkan dalam satu halaman web, maka dibutuhkan pemilihan beberapa kelompok informasi yang akan ditampilkan kepada user, atau sebuah pengaturan bagaimana urutan prioritas informasi mana yang akan ditampilkan, terutama untuk menampilkan informasi yang diminati oleh user dan berpotensi untuk menghasilkan penjualan, mempertahankan pelanggan dan memberikan kepuasan kepada pelanggan dalam sebuah portal E-Commerce. Contoh dari tampilan pada recommender system Amazon.com dapat dilihat pada gambar 2.1. Gambar 2.1 Recommender System Penjualan Buku Amazon.com [7]
3 II-3 Berdasarkan [6] ada tiga tipe Recomender System. Tipe-tipe recommender system tersebut adalah sebagai berikut: 1. Content Based Recommender System Content Based Recommender System adalah sebuah recommender system yang menyediakan rekomendasi berdasarkan informasi yang dicari berdasarkan query user/kebutuhan informasi user dan juga berdasarkan profil user(bila ada). Karakteristik user dikumpulkan dalam jangka waktu tertentu dan secara otomatis dibentuk menjadi sebuah profil berdasarkan histori interaksi atau pilihan-pilihan user di masa lalu. Hal ini dimaksudkan agar sistem tidak hanya menyediakan informasi yang relevan dengan item yang dipilih saat ini, tetapi juga sistem berupaya untuk memastikan bahwa informasi yang disediakan sesuai dengan preferensi user. 2. Collaborative Filtering Collaborative Filtering adalah sebuah recommender system berbasis komunitas sosial yang menyediakan usulan item yang disukai oleh user-user lain yang memiliki minat yang sama dengan user aktif yang biasanya informasi tersebut belum diketahui oleh user aktif tersebut. Rekomendasi jenis ini mencocokkan kebutuhan user dengan informasi user-user lain dalam jangka waktu tertentu yang memiliki kecocokkan minat dengan user aktif. Pendekatan ini memberikan rekomendasi berdasarkan korelasi antar user. Collaborative filtering dikatakan efektif karena biasanya selera seorang individu dengan individu lainnya tidaklah ortogonal. Skema collaborative filtering ditujukan untuk menyediakan saran kepada user berdasarkan pilihan-pilihan user tersebut sebelumnya, juga berdasarkan preferensi user-user lain yang memiliki minat yang serupa. Contohnya, user-user lain yang memiliki minat terhadap satu bidang/group/hobby/kelompok yang sama dengan user aktif.
4 II-4 3. Hybrid System Hybrid System adalah metode yang dikembangkan untuk menangani kekurangan dari Content Based Recommender System dan Collaborative Filtering. Umumnya Hybrid System menggunakan kedua sistem rekomendasi tersebut dan menggabungkan hasil dari keduanya dengan cara tertentu. Misalnya, menggabungkan hasil dari kedua sistem tersebut berdasarkan relevansinya, atau mencampurkan keluaran dari kedua algoritma yang dipergunakan, atau merubah metode yang dipergunakan dari Content Based menjadi Collaborative Filtering (atau sebaliknya), atau juga mempergunakan keluaran dari salah satu algoritma sebagai masukan pada algoritma lainnya. 2.2 Market Basket Analysis Afinity Analysis Menurut Daniel T. Larose [4], Afinity Analysis adalah sebuah studi terhadap atribut-atribut atau karakteristik-karakteristik yang muncul/terjadi bersamaan. Metode Afinity Analysis yang juga dikenal sebagai Market Basket Analysis dipergunakan untuk menyingkap hubungan antara atribut-atribut tersebut, lebih tepatnya menyingkap aturan untuk meng-kuantitaskan hubungan antara dua atau lebih atribut. Market Basket Analysis dapat digunakan untuk menyelesaikan masalah-masalah seperti berikut: 1. Melakukan investigasi proporsi pelanggan perusahaan provider telepon seluler yang menanggapi secara positif tawaran untuk melakukan upgrade sistem. 2. Menghitung proporsi anak-anak yang dibacakan buku oleh orang tuanya, dimana orang tuanya sendiri adalah pembaca yang baik. 3. Melakukan prediksi degradasi pada dalam jaringan telekomunikasi. 4. Mencari tahu barang apa saja yang sering dibeli bersamaan, atau barang apa yang tidak pernah dibeli bersamaan. 5. Menemukan proporsi kasus dimana penggunaan obat baru dapat menimbulkan efek samping.
5 II Algoritma Apriori Berdasarkan [4], dalam membentuk association rules dari sejumlah k atribut, maka kemungkinan association rules yang bisa terbentuk adalah sejumlah (k. 2 k-1 ) association rules. Hal ini menyebabkan untuk mendapatkan association rules yang akurat, akan melibatkan proses pencarian yang berulang-ulang dan waktu yang sangat panjang. Misalkan akan dicari association rules dari 100 item yang berbeda, maka kemungkinan association rules yang akan terbentuk adalah 100 x 2 99 = 6.4 x association rules yang akan menimbulkan proses perulangan yang sangat banyak di dalam algoritma yang akan dipergunakan. Algoritma apriori dalam hal ini adalah salah satu algoritma yang dapat membantu mengurangi jumlah perulangan pencarian yang harus dilakukan. Penggunaan algoritma apriori melibatkan dua tahapan utama yaitu sebagai berikut: 1. Cari seluruh frequent itemsets. Frequent itemsets adalah itemsetitemset yang memenuhi treshold/batas minimum kemunculan. 2. Dari frequent itemsets yang terbentuk, dibentuklah association rules yang memenuhi ketentuan minimum support dan minimum confidence. Parameter-parameter utama yang terlibat dalam algoritma apriori adalah treshold, support, dan confidence. Berikut adalah penjelasan dari parameterparameter tersebut: 1. Treshold : merupakan batas minimum kemunculan dari suatu itemset. Treshold akan dipergunakan untuk menentukan frequent itemsets. 2. Support : merupakan jumlah transaksi yang mengandung itemset A dan itemset B. Support didapatkan menggunakan rumus sebagai berikut: = h h
6 II-6 3. Confidence: merupakan jumlah transaksi yang mengandung itemset A dan itemset B dibagi jumlah transaksi yang mengandung itemset A. Confidence didapatkan menggunakan rumus sebagai berikut: = = h h Algoritma apriori mempergunakan kaidah Apriori property untuk memperkecil ruang pencarian. Apriori property membantu agar tidak semua kombinasi itemset harus dicari dari database. Berikut adalah bunyi dari kaidah Apriori property: Apabila diketahui sebuah itemset Z tidak frequent, maka Z A tidak frequent untuk item A manapun. Contoh Pembentukan Frequent Itemsets: Diketahui sebuah toko menjual sayur-sayuran. Sayur-sayuran yang dijual di toko tersebut adalah sebagai berikut: {asparagus, kacang polong, brokoli, jagung, paprika hijau, labu, tomat}. Data transaksi penjualan sayuran pada toko tersebut dapat dilihat pada tabel 2.1. Tabel 2.1 Contoh Data Transaksi Pada Toko Eceran ID Transaksi Barang Yang Dibeli Pelanggan 1 Brokoli, paprika hijau, jagung 2 Asparagus, labu, jagung 3 Jagung, tomat, kacang polong, labu 4 Paprika hijau, jagung, tomat, kacang polong 5 Kacang polong, asparagus, brokoli 6 Labu, asparagus, kacang polong, tomat 7 Tomat, jagung 8 Brokoli, tomat, paprika hijau
7 II-7 ID Transaksi Barang Yang Dibeli Pelanggan 9 Labu, asparagus, kacang polong 10 Kacang polong, jagung 11 Paprika hijau, brokoli, kacang polong, labu 12 Asparagus, kacang polong, labu 13 Labu, jagung, asparagus, kacang polong 14 Jagung, paprika hijau, tomat, kacang polong, brokoli Untuk membentuk frequent itemset kita pergunakan reprensentasi data tabular. Bentuk representasi data tabular dapat dilihat pada tabel 2.2. Tabel 2.2 Representasi Data Transaksi Secara Tabular ID Asparagus Kacang Brokoli Jagung Paprika Labu Tomat Transaksi Polong Hijau
8 II-8 Berikut adalah tahapan-tahapan pembentukan frequent itemset: 1. Hitung jumlah kemunculan tiap 1-itemset. Pada tahap awal ini seluruh 1- itemset yang ada adalah kandidat frequent 1-itemsets atau C1. C1 dapat dilihat pada tabel 2.3. Tabel 2.3 Kandidat Frequent 1-Itemsets Itemset Frekuensi Kemunculan Asparagus 6 Kacang Polong 10 Brokoli 5 Jagung 8 Paprika Hijau 5 Labu 7 Tomat 6 2. Filter C1 menggunakan treshold kemunculan. Misalkan treshold adalah 4 kali kemunculan, maka seluruh itemset C1 lolos dan disimpan sebagai frequent 1-itemsets atau F1. F1 dapat dilihat pada tabel 2.4. Tabel 2.4 Frequent 1-Itemsets Itemset Frekuensi Kemunculan Asparagus 6 Kacang Polong 10 Brokoli 5 Jagung 8 Paprika Hijau 5 Labu 7 Tomat 6
9 II-9 3. Bentuk kandidat frequent 2-itemset atau C2 dengan cara menggabungkan F1 dengan dirinya sendiri. C2 yang terbentuk dapat dilihat pada tabel 2.5. Tabel 2.5 Kandidat Frequent 2-Itemsets Itemset Frekuensi Kemunculan Itemset Frekuensi Kemunculan Asparagus, 5 Brokoli, 2 Kacang Polong Jagung Asparagus, 1 Brokoli, 4 Brokoli Paprika Hijau Asparagus, 2 Brokoli, 1 Jagung Labu Asparagus, 0 Brokoli, 2 Paprika hijau, Tomat Asparagus, 5 Jagung, 3 Labu Paprika Hijau Asparagus, 1 Jagung, Labu 3 Tomat Kacang 3 Jagung, 4 Polong, Brokoli Tomat Kacang 5 Paprika Hijau 1 Polong, Jagung Labu Kacang Polong, Paprika Hijau 3 Paprika Hijau, Tomat 3
10 II-10 Itemset Kacang Polong, Labu Kacang Polong, Tomat Frekuensi Kemunculan Itemset Frekuensi Kemunculan 6 Labu, Tomat Filter C2 menggunakan treshold kemunculan yaitu 4 kali kemunculan. Itemsets yang lolos akan disimpan sebagai frequent 2-itemset atau F2. F2 yang terbentuk dapat dilihat pada tabel 2.6. Tabel 2.6 Frequent 2-Itemsets Itemset Frekuensi Kemunculan Asparagus, Kacang Polong 5 Asparagus, Labu 5 Kacang Polong, Jagung 5 Kacang Polong, Labu 6 Kacang Polong, Tomat 4 Brokoli, Paprika Hijau 4 Jagung, Tomat 4
11 II Untuk membentuk F3 dan selanjutnya, proses yang dilakukan berbeda dengan proses membentuk F2. F2 yang digabungkan hanya yang memiliki k-1 item pertama yang sama seperti yang diperlihatkan pada tabel 2.7. Tabel 2.7 F2 Dengan k-1 item pertama yang sama Itemset Asparagus, Kacang Polong Asparagus, Labu Kacang Polong, Jagung Kacang Polong, Labu Kacang Polong, Tomat {Asparagus, Kacang Polong} dan {Asparagus, Labu} memiliki k-1 item pertama yang sama yaitu Asparagus. Oleh karena itu, {Asparagus, Kacang Polong} dan {Asparagus, Labu} digabungkan dan menghasilkan kandidat 3-itemset yaitu {Asparagus, Kacang Polong, Labu}. Hal yang sama dilakukan terhadap {Kacang Polong, Jagung}, {Kacang Polong, Labu}, dan{kacang Polong, Tomat} sehingga menghasilkan tiga kandidat frequent 3-itemset yaitu {Kacang Polong, Jagung, Labu}, {Kacang Polong, Jagung, Tomat}, dan{kacang Polong, Labu, Tomat}. C3 yang didapatkan dari proses ini dapat dilihat pada tabel 2.8. Tabel 2.8 Hasil Penggabungan F2 Dengan k-1 Item Pertama Yang Sama Itemset Asparagus, Kacang Polong, Labu Kacang Polong, Jagung, Labu Kacang Polong, Jagung, Tomat Kacang Polong, Labu, Tomat
12 II-12 Langkah selanjutnya adalah proses pruning/eliminasi kandidat frequent 3-itemsets menggunakan apriori property. Caranya adalah mengenerate subset k-1 dari itemset s yang ada dalam C3, kemudian diperiksa apakah tiap subset dari itemset s tersebut frequent atau tidak. Apabila ada salah satu saja subset k-1 dari itemset s yang tidak frequent, maka s juga tidak frequent sehingga tidak perlu dilakukan pencarian ke dalam database. Contohnya pada itemset s={asparagus, Kacang Polong, Labu}. Untuk itemset ini, subset k-1=2 yang didapatkan adalah {Asparagus, Kacang Polong}, {Asparagus, Labu}, dan{kacang Polong, Labu}. Subsets ini kemudian diperiksa apakah frequent atau tidak. Dari tabel yang menunjukkan F2, dapat kita lihat bahwa ketiga subset tersebut frequent sehingga tidak dilakukan pruning terhadap itemset {Asparagus, Kacang Polong, Labu}. Hal yang sama terjadi pada itemset s={kacang Polong, Jagung, Tomat}. Berbeda dengan yang terjadi pada itemset s={kacang Polong, Jagung, Labu} dan itemset s={kacang Polong, Labu, Tomat}. Pada itemset s={kacang Polong, Jagung, Labu}, subset {Jagung, Labu} tidak frequent karena hanya memiliki frequensi kemunculan sebanyak 3 kali kemunculan sehingga tidak memenuhi treshold kemunculan. Pada itemset s={kacang Polong, Labu, Tomat}, subset {Jagung, Labu} tidak frequent karena hanya memiliki frequensi kemunculan sebanyak 3 kali kemunculan sehingga tidak memenuhi treshold kemunculan. Hal ini menyebabkan dilakukannya pruning terhadap itemset s={kacang Polong, Jagung, Labu} dan itemset s={kacang Polong, Labu, Tomat}. Sisa dari C3 yang lolos dari proses pruning dapat dilihat pada tabel 2.9 pada halaman II-13.
13 II-13 Tabel 2.9 Kandidat Frequent 3-Itemsets Itemset Frekuensi Kemunculan Asparagus, Kacang Polong, 4 Labu Kacang Polong, Jagung, 3 Tomat Untuk membentuk F3 tetap dilakukan pencarian dan perhitungan frekuensi kemunculan. Dan yang lolos hanya yang memiliki frekuensi minimum 4 kali kemunculan sesuai treshold kemunculan yang telah didefinisikan. F3 yang terbentuk dapat dilihat pada tabel Tabel 2.10 Frequent 3-Itemsets Itemset Frekuensi Kemunculan Asparagus, Kacang Polong, 4 Labu 6. Proses nomor 5 dilakukan berulang kali hingga tidak ada kandidat frequent k-itemset yang dapat dibentuk. Sebagai contoh adalah pada F3 yang tidak dapat dipergunakan untuk membentuk kandidat frequent 4-itemset. Setelah seluruh frequent itemsets diperoleh, tahapan selanjutnya adalah membentuk association rules. Proses pembentukan association rules melibatkan dua tahapan utama sebagai berikut: 1. Generate seluruh subset dari itemset s. 2. Misalkan ss adalah subset tidak kosong dari itemset s dan R: ss (s-ss), dimana (s-ss) adalah set s dikurangi subset ss. Bentuk dan simpan R apabila R memenuhi prasyarat minimum confidence yang telah ditentukan. Sebagai catatan, atas alasan kesederhanaan association rules dengan item consequent tunggal umumnya lebih dikehendaki.
14 II-14 Contoh Pembentukan Association rules: Diketahui Frequent Itemsets yang didapatkan dari proses generate frequent itemset yang telah dicontohkan sebelumnya. Dalam contoh ini yang akan dilakukan adalah pembentukan association rules dengan 1 item consequent. Frequent itemsets yang diperoleh dapat dilihat pada tabel Tabel 2.11 Frequent Itemsets F Itemset Frekuensi Kemunculan 3 Asparagus, Kacang Polong, Labu 4 2 Asparagus, Kacang Polong 5 2 Asparagus, Labu 5 2 Kacang Polong, Jagung 5 2 Kacang Polong, Labu 6 2 Kacang Polong, Tomat 4 2 Brokoli, Paprika Hijau 4 2 Jagung, Tomat 4 1 Asparagus 6 1 Kacang Polong 10 1 Brokoli 5 1 Jagung 8 1 Paprika Hijau 5 1 Labu 7 1 Tomat 6 Pembentukan association rules dimulai dari itemset dengan k tertingi dalam hal ini k=3. Jumlah antecedent yang dihasilkan adalah k-1 =2 antecedent. Untuk membentuk association rules dari F3 yaitu { Asparagus, Kacang Polong, Labu }, yang dilakukan adalah proses generating seluruh subset dari s. Subset dari s adalah {Asparagus}, {Kacang Polong}, {Labu}, {Asparagus, Kacang Polong}, {Asparagus, Labu}, dan {Kacang Polong, Labu}.
15 II-15 Misalkan ss={asparagus, Kacang Polong}, sehingga (s-ss)={labu}. Support adalah jumlah kemunculan dari {Asparagus, Kacang Polong} juga {Labu}, yaitu 4 dari 14 transaksi sehingga Support dari R: {Asparagus, Kacang Polong}{Labu} adalah 4/14 = 0,286 atau 28,6% dari jumlah transaksi D. Untuk menghitung confidence, yang dilakukan adalah menghitung jumlah kemunculan R= R: {Asparagus, Kacang Polong}{Labu} dibagi jumlah kemunculan ss= {Asparagus, Kacang Polong} yaitu 5 kali kemunculan sehingga confidence dari R: {Asparagus, Kacang Polong}{Labu} adalah 4/5 = 0,8 atau 80% dari jumlah transaksi D. Hal yang sama dilakukan terhadap ss={asparagus, Labu} dan ss={kacang Polong, Labu} sehingga menghasilkan kandidat rules dengan 2 item antecedent seperti yang ditunjukkan pada tabel Tabel 2.12 Kandidat Association rules Dengan 2 Antecedent Association Rules Support Confidence Jika beli Asparagus dan Kacang Polong, 4/14=28.6% 4/5 = 80% maka beli juga Labu Jika beli Asparagus dan Labu, maka beli 4/14=28.6% 4/5 = 80% juga Kacang Polong Jika beli Kacang Polong dan Labu, maka beli juga Asparagus 4/14=28.6% 4/6 =66.7% Selanjutnya adalah membentuk association rules dari F2 dengan 1 item antecedent dan 1 item consequent. Apabila dilakukan proses yang sama dengan yang dilakukan untuk mendapatkan kandidat association rules dengan 2 item antecedent dan 1 item consequent, maka akan didapatkan kandidat association rules seperti yang ditunjukkan pada tabel 2.13 pada halaman II-16.
16 II-16 Tabel 2.13 Kandidat Association rules Yang Terbentuk Dari Keseluruhan Frequent Itemsets Association Rules Support Confidence Jika beli Asparagus, maka beli juga 5/14 = 35.7% 5/6 = 83.3% Kacang Polong Jika beli Kacang Polong, maka beli juga 5/14 = 35.7% 5/10 = 50% Asparagus Jika beli Asparagus, maka beli juga Labu 5/14 = 35.7% 5/6 = 83.3% Jika beli Labu, maka beli juga Asparagus 5/14 = 35.7% 5/7 = 71.4% Jika beli Kacang Polong, maka beli juga 5/14 = 35.7% 5/10 = 50% Jagung Jika beli Jagung, maka beli juga Kacang 5/14 = 35.7% 5/8 = 62.5% Polong Jika beli Kacang Polong, maka beli juga 6/14= 42.9% 6/10 = 60% Labu Jika beli Labu, maka beli juga Kacang 6/14= 42.9% 6/7 = 85.7% Polong Jika beli Kacang Polong, maka beli juga 4/14= 28.6% 4/10 = 40% Tomat Jika beli Tomat, maka beli juga Kacang 4/14= 28.6% 4/6 = 66.7% Polong Jika beli Brokoli, maka beli juga Paprika 4/14= 28.6% 4/5 = 80% Hijau Jika beli Paprika Hijau, maka beli juga 4/14= 28.6% 4/5 = 80% Brokoli Jika beli Jagung, maka beli juga Tomat 4/14= 28.6% 4/8 = 50% Jika beli Tomat, maka beli juga Jagung 4/14= 28.6% 4/6 = 66.7%
17 II-17 Apabila kita filter dengan minimum support sebesar 20% dan minimum confidence sebesar 80% maka association rules final yang terbentuk dapat dilihat pada tabel Tabel 2.14 Association Rules Final Yang Terbentuk Association Rules Support Confidence Support x Confidence Jika beli Labu, maka beli juga 6/14= 42.9% 6/7 = 85.7% Kacang Polong Jika beli Asparagus, maka beli 5/14 = 35.7% 5/6 = 83.3% juga Kacang Polong Jika beli Asparagus, maka beli 5/14 = 35.7% 5/6 = 83.3% juga Labu Jika beli Brokoli, maka beli 4/14= 28.6% 4/5 = 80% juga Paprika Hijau Jika beli Paprika Hijau, maka beli juga Brokoli 4/14= 28.6% 4/5 = 80% Jika beli Asparagus dan 4/14=28,6% 4/5 = 80% Kacang Polong, maka beli juga Labu Jika beli Asparagus dan Labu, maka beli juga Kacang Polong 4/14=28,6% 4/5 = 80% Field (support x confidence) dipergunakan untuk mengurutkan rules berdasarkan tingkat keakuratan. F1 tidak menghasilkan rules karena k-1 = 1-1 = 0 tidak akan menghasilkan item antecedent ataupun item consequent.
18 II Senayan Open Source Library Management System Berdasarkan [8], Senayan adalah aplikasi web-based Open Source untuk kebutuhan automasi perpustakaan, atau Library Automation System. Aplikasi ini dinamakan Senayan karena dikembangkan di daerah Senayan, Jakarta, tepatnya di kantor pusat Departemen Pendidikan Nasional. Latar belakang dikembangkannya Senayan pada awalnya adalah untuk menggantikan aplikasi automasi perpustakaan proprietary yang dipakai oleh Perpustakaan Departemen Pendidikan Nasional (Depdiknas), aplikasi tersebut bernama Alice, produk UK. Pada saat itu, Hendro Wicaksono, Lead Developer Senayan yang juga staf Perpustakaan Depdiknas berinisiatif untuk melempar sekaligus aplikasi yang akan dikembangkan ini ke publik dengan lisensi Open Source, dengan harapan masyarakat Indonesia bisa ikut menikmati aplikasi ini, khususnya perpustakaan perpustakaan kecil maupun besar di seluruh Indonesia yang belum ter-automasi proses pengelolaan perpustakaannya. Akhirnya dengan dukungan dari Kepala Pusat Informasi dan Humas (PIH) Depdiknas kala itu, bapak Bambang Wasito Adi, Senayan dirilis ke publik dengan lisensi GNU GPL versi 3 dan secara perlahan tapi pasti aplikasi Alice disingkirkan sepenuhnya oleh Senayan hingga sekarang. Data dari aplikasi Alice dikonversikan sepenuhnya ke rdbms MySQL yang digunakan Senayan. Saat ini Perpustakaan Depdiknas mengelola kurang lebih koleksi dan kurang lebih 1862 anggota. Sebagai sebuah aplikasi Library Automation System, fiturfitur yang terdapat pada Senayan Open Source Library Management System adalah sebagai berikut: 1. OPAC (Online Public Access Catalog) : untuk mempublikasikan daftar katalog ke publik atau pemustaka. 2. Bibliography : untuk pengelolaan data katalog dan juga Items. 3. Circulation : untuk membantu proses pengembalian, peminjaman dan denda koleksi perpustakaan. 4. Membership : untuk pengelolaan data anggota/patron perpustakaan. 5. Stock Take : untuk membantu proses Stock Opname koleksi perpustakaan.
19 II Master File : untuk pengelolaan data-data master/referensial (master table). 7. System : untuk pengelolaan user aplikasi, grup user, hak akses, backup, log viewer dan juga konfigurasi global sistem. 8. Serial Control : untuk pengelolaan data langganan Jurnal, Majalah, dan terbitan berseri lainnya.
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Pada bab ini dilakukan pendefinisian permasalahan dari penelitian yang akan dilakukan. Dalam Cross Industry Standard Process for Data Mining[3], tahapan ini
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 terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Sistem Rekomendasi Sistem Rekomendasi (SR) merupakan model aplikasi dari hasil observasi terhadap keadaan dan keinginan pelanggan. Sistem Rekomendasi memanfaatkan opini seseorang
Lebih terperinciBAB II TINJAUAN PUSTAKA. tertentu untuk digunakan pembaca, bukan untuk dijual. (Sulistyo-
BAB II TINJAUAN PUSTAKA 2.1 Perpustakaan 2.1.1 Pengertian Perpustakaan Perpustakaan adalah sebuah ruangan, bagian sebuah gedung ataupun gedung itu sendiri yang digunakan untuk menyimpan buku dan terbitan
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 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 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 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 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 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 terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Perpustakaan merupakan tempat dimana seseorang mendapatkan pengetahuan, informasi atau hiburan dengan jumlah kategori yang bervarian seperti ilmiah, non fiksi, komedi,
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 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 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 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 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 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 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 terperinciBAB III ANALISIS DAN DESAIN SISTEM
BAB III ANALISIS DAN DESAIN SISTEM III.1. Analisis Masalah Kebutuhan akan teori dalam dunia pendidikan sangat besar. Teori banyak di tulis ke dalam sebuah buku maupun jurnal. Pada universitas potensi utama,
Lebih terperinciBAB 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 terperinciANALISA ALGORITMA APRIORI UNTUK MENENTUKAN MEREK PAKAIAN YANG PALING DIMINATI PADA MODE FASHION GROUP MEDAN
ANALISA ALGORITMA APRIORI UNTUK MENENTUKAN MEREK PAKAIAN YANG PALING DIMINATI PADA MODE FASHION GROUP MEDAN Eka Novita Sari (0911010) Mahasiswa Program Studi Teknik Informatika STMIK Budidarma Medan Jl.
Lebih terperinciBAB 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 terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Perpustakaan merupakan suatu instansi yang bergerak pada bidang jasa penyedia berbagai informasi dan wawasan untuk keperluan pengguna. Untuk bisa bertahan pada bidang
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Data Mining Menurut Turban dalam bukunya yang berjudul Decision Support Systems and Intelligent Systems, data mining adalah suatu istilah yang digunakan untuk menguraikan penemuan
Lebih terperinciPROFIL SIPUS. (Sistem Informasi Perpustakaan) Oleh: Rasiman
PROFIL SIPUS (Sistem Informasi Perpustakaan) Oleh: Rasiman Disampaikan Pada: PELATIHAN SISTEM INFORMASI MANAJEMEN (SIM) UNIVERSITAS SUMATERA UTARA MEDAN, 2008 Deskripsi Umum Sistem Sistem Informasi Perpustakaan
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 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 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 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 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 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 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 terperinciBAB III LANDASAN TEORI
BAB III LANDASAN TEORI 3.1 Sistem Rekomendasi Sistem Rekomendasi (SR) merupakan model aplikasi dari hasil observasi terhadap keadaan dan keinginan pelanggan. Sistem Rekomendasi memanfaatkan opini seseorang
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 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 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 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 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 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 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 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 II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA II.1 Tinjauan Perusahaan CV. Aldo Putra berlokasi di Jalan Pasar Induk Gedebage No. 89/104 Bandung, bergerak dibidang grosir pakaian jadi impor. Barang yang dijual di CV. Aldo Putra
Lebih terperinciBAB I PENDAHULUAN A. Latar Belakang
BAB I PENDAHULUAN A. Latar Belakang Lulus tepat waktu dengan IPK memuaskan, mungkin itu dambaan setiap mahasiswa. Namun kenyataannya saat ini banyak mahasiswa kurang peduli mengenai strategi dan rencana
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 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 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 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 terperinciMATERI PRAKTIKUM PRAKTIKUM 4 ANALISA AR-MBA (ASSOCIATION RULE - MARKET BASKET ANALYSIS)
PRAKTIKUM 4 ANALISA AR-MBA (ASSOCIATION RULE - MARKET BASKET ANALYSIS) Tujuan Praktikum 1. Mahasiswa dapat mengetahui salah satu metode asosiasi dalam data mining. 2. Memberikan pemahaman mengenai prosedurmarket
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 terperinciBAB I PENDAHULUAN 1.1. Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Seiring dengan perkembangan zaman, kemajuan dalam bidang ilmu pengetahuan dan teknologi informasi berkembang sangat pesat. Maka informasi juga semakin banyak dan membuat
Lebih terperinciBAB III LANDASAN TEORI
BAB III LANDASAN TEORI Bab ini akan membahas hal-hal yang mendasari dibuatnya E-Commerce Dolanan Puzzle, bahasa pemrograman, dan tools yang digunakan dalam pembuatan E-Commerce Dolanan Puzzle. 3.1 E-Commerce
Lebih terperinciBAB I PENDAHULUAN. Keberadaan minimarket di kota-kota besar sangat dibutuhkan bagi. masyarakat khususnya di daerah perumahan. Bagi sebagian besar
BAB I PENDAHULUAN 1.1 LATAR BELAKANG Keberadaan minimarket di kota-kota besar sangat dibutuhkan bagi masyarakat khususnya di daerah perumahan. Bagi sebagian besar masyarakat kota, mereka lebih cenderung
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 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 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 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 terperinciISU- ISU Seputar Implementasi Dan Development slims. #SLiMSCommeet2012
ISU- ISU Seputar Implementasi Dan Development slims #SLiMSCommeet2012 Hendro Wicaksono twitter.com/hendrowicaksono facebook.com/hendrowicaksono hendrowicaksono@yahoo.com SLiMS lead developer 5 tahun Sejak
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 terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN 4.1 Gambaran Umum Sistem Perpustakaan Terintegrasi Sistem Perpustakaan Terintregasi merupakan pengintegrasian antara bidang pekerjaan administrasi, pengadaan, inventarisasi,
Lebih terperinciAUTOMASI PERPUSTAKAAN
A. Pendahuluan AUTOMASI PERPUSTAKAAN Oleh: Gatot Subrata, S.Kom Abstrak. Sistem Automasi Perpustakaan adalah penerapan teknologi informasi pada pekerjaan administratif di perpustakaan agar lebih efektif
Lebih terperinciANALISA KONSISTENSI POLA PEMINJAMAN BUKU MENGGUNAKAN ALGORITMA FP-GROWTH (Studi Kasus: UPT Perpustakaan Universitas Sebelas Maret)
ANALISA KONSISTENSI POLA PEMINJAMAN BUKU MENGGUNAKAN ALGORITMA FP-GROWTH (Studi Kasus: UPT Perpustakaan Universitas Sebelas Maret) Miranda Nur Qolbi Aprilina 1, Wiranto 2,Widodo 3 1,2 Program Studi Informatika,
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 terperinciUNIVERSITAS KRISTEN MARANATHA
BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Dewasa ini, perkembangan teknologi mengalami kemajuan yang sangat pesat dan memiliki peranan yang sangat penting khususnya dalam dunia bisnis. Para pelaku
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 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 terperinciBAB III LANDASAN TEORI
BAB III LANDASAN TEORI Pada bab 3 ini akan dijabarkan teori mengenai pariwisata, wisatawan, sistem, sistem rekomendasi, collaborative filtering, jaccard coefisien, mysql, dan framework codeigniter, notepad++,
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 terperinciRancang Bangun Fitur Rekomendasi Buku Menggunakan Algoritma PrefixSpan pada Sistem Peminjaman Buku Berbasis Web di Perpustakaan Universitas Ciputra
Rancang Bangun Fitur Rekomendasi Buku Menggunakan Algoritma PrefixSpan pada Sistem Peminjaman Buku Berbasis Web di Perpustakaan Universitas Ciputra Lenny Universitas Ciputra UC Town, Citraland Surabaya
Lebih 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 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA Pada bab ini, akan dibahas landasan teori, penelitian terdahulu, kerangka pikir yang mendasari penyelesaian rekomendasi dengan menggunakan metode Simple Additive Weighting (SAW).
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 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 terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI Di dalam landasan teori ini, akan dibahas tentang teori teori dan konsep dasar yang mendukung pembahasan dari sistem yang akan dibuat. 2.1 Basis Data (Database) Basis data diperlukan
Lebih terperinciBAB V KESIMPULAN DAN SARAN. keranjang belanja (Market basket analysis) dalam penerapan cross selling pada
BAB V KESIMPULAN DAN SARAN 5.1. Kesimpulan Kesimpulan yang dapat diambil dari rancang bangun sistem analisis keranjang belanja (Market basket analysis) dalam penerapan cross selling pada Apotek K24 Kalibutuh
Lebih terperinciREKOMENDASI PAKET PEMBELIAN BARANG PADA TOKO ONLINE DENGAN COLLABORATIVE FILTERING
REKOMENDASI PAKET PEMBELIAN BARANG PADA TOKO ONLINE DENGAN COLLABORATIVE FILTERING Devi Dwi Purwanto Sistem Informasi, Sekolah Tinggi Teknik Surabaya devi@stts.edu ABSTRACT Currently there are many case
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
1.1 Latar Belakang BAB I PENDAHULUAN Peningkatan jumlah dokumen ilmiah yang ada menimbulkan kebutuhan akan suatu sistem yang dapat memberikan rekomendasi dokumen ilmiah yang baik. Recommendation system
Lebih terperinciIMPLEMENTASI DATA MINING ALGORITMA APRIORI PADA PENJUALAN SPAREPART MOTOR DI AHAS PUTRA MOTOR
IMPLEMENTASI DATA MINING ALGORITMA APRIORI PADA PENJUALAN SPAREPART MOTOR DI AHAS PUTRA MOTOR SKRIPSI Diajukan Untuk Penulisan Skripsi Guna Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Komputer
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 terperinciBAB III ANALISA DAN DESAIN SISTEM
BAB III ANALISA DAN DESAIN SISTEM III.1. Analisis Masalah Analisis yang berjalan pada sistem ini bertujuan untuk mengidentifikasi serta melakukan evaluasi terhadap Sistem Pendukung Keputusan Analisis Pola
Lebih terperinciBAB III LANDASAN TEORI
BAB III LANDASAN TEORI Bab ini menjelaskan mengenai dasar teori yang digunakan oleh penulis sebagai acuan dalam membuat sistem. 3.1 Pariwisata Menurut UU No 10 Tentang Kepariwisataan tahun 2009 pasal 1
Lebih terperinciBAB III ANALISIS DAN DESAIN SISTEM
BAB III ANALISIS DAN DESAIN SISTEM III.. Analisis Masalah Pada zaman saat ini sepeda motor banyak digunakan di jalanan, banyak masyarakat menggunakan sepeda motor karena kepraktisan di dalam penggunaanya.
Lebih terperinciBAB III ANALISA DAN DESAIN SISTEM
BAB III ANALISA DAN DESAIN SISTEM III.1. Analisis Masalah Dibutuhkannya ketelitian dalam Melihat hasil penjualan minuman pada kedai kopi Uleekareng & Gayo untuk menentukan minuman yang paling diminati
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 terperinciBAB I PENDAHULUAN 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Toko Dewan Sport dan Musik merupakan toko yang bergerak di bidang penjualan alat-alat perlengkapan olah raga dan alat-alat musik. Toko Dewan Sport dan Musik
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 terperinciSISTEM REKOMENDASI PENYEWAAN PERLENGKAPAN PESTA MENGGUNAKAN COLLABORATIVE FILTERING DAN PENGGALIAN ATURAN ASOSIASI
Vol. 5, No. 1 Desember 2015 ISSN 2088-2130 SISTEM REKOMENDASI PENYEWAAN PERLENGKAPAN PESTA MENGGUNAKAN COLLABORATIVE FILTERING DAN PENGGALIAN ATURAN ASOSIASI Gita Indah Marthasari 1),Yufis Azhar 2), Dwi
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 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1 Penelitian Terkait Beberapa jurnal penelitian terkait yang diperoleh tentang pemanfaatan teknik Data Mining dengan metode Association Rule menggunakan Algoritma Apriori untuk
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 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 terperinciPENCARIAN ATURAN ASOSIASI MENGGUNAKAN ALGORITMA APRIORI SEBAGAI BAHAN REKOMENDASI STRATEGI PEMASARAN PADA TOKO ACIICA
PENCARIAN ATURAN ASOSIASI MENGGUNAKAN ALGORITMA APRIORI SEBAGAI BAHAN REKOMENDASI STRATEGI PEMASARAN PADA TOKO ACIICA SKRIPSI Diajukan untuk Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Komputer
Lebih 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 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 terperinciII. TINJAUAN PUSTAKA
II. TINJAUAN PUSTAKA 2.1 Sistem Informasi Manajemen Mcleod R dan Schell G, (2004) membagi sumber daya menjadi dua bagian yaitu sumberdaya fisikal dan sumberdaya konseptual. Sumber daya fisikal terdiri
Lebih terperinciBAB I PENDAHULUAN. era informasi, di mana volume pertumbuhan informasi tidak akan bisa dicerna
BAB I PENDAHULUAN 1.1. Latar Belakang Pertumbuhan informasi di dunia telah meningkat pesat dan akan terus mengalami peningkatan ditandai dengan jumlah pertumbuhan berbagai produk seperti buku, musik, film,
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 terperinciBAB 1 PENDAHULUAN. diinginkan. Dengan banyaknya penjual ikan secara konvensional untung yang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Melihat banyaknya bidang usaha ikan secara konvensional saat ini maka tidak mudah bagi penjual yang menjual ikannya untuk mendapatkan hasil yang diinginkan. Dengan
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 terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA II.1 Profil Instansi PT. Focus Gaya Graha yang berlokasi di Jalan Leuwigajah No. 106 Cimahi, bergerak dalam bidang industi furniture. Pertama kali didirikan pada tanggal 21 Mei
Lebih terperinci