PENGGALIAN TOP-K FREQUENT CLOSED CONSTRAINED GRADIENT ITEMSETS TANPA BATASAN MINIMUM SUPPORT PADA BASIS DATA RETAIL
|
|
- Hartanti Sugiarto
- 6 tahun lalu
- Tontonan:
Transkripsi
1 PENGGALIAN TOP-K FREQUENT CLOSED CONSTRAINED GRADIENT ITEMSETS TANPA BATASAN MINIMUM SUPPORT PADA BASIS DATA RETAIL Dhiani Tresna Absari 1), Arif Djunaidy 2) Fakultas Teknologi Informasi Institut Teknologi Sepuluh Nopember Surabaya 1 dhiani@cs.its.ac.id, 2 adjunaidy@its.ac.id ABSTRAK Penggalian top-k frequent closed itemsets dengan algoritma TFP tanpa menggunakan minimum support merupakan salah satu penelitian yang menarik untuk diaplikasikan dalam analisis asosiasi. Di sisi lain, dalam dunia retail, penggunaan parameter batasan gradient perlu dilibatkan dalam analisis asosiasi agar dapat melakukan penyaringan itemset dengan mengacu pada suatu batasan gradient tertentu, sebagaimana dilakukan dalam algoritma Frequent Closed Constrained Gradient Mining (FCCGM). Namun demikian, FCCGM masih mengharuskan pengguna untuk menentukan nilai minimum support. Sehingga, penggabungan algoritma TFP dan FCCGM menjadi menarik untuk dilakukan. Dalam penelitian ini, algoritma TFP dilakukan modifikasi agar dapat dibangkitkan top-k frequent closed itemset dengan batasan gradient tanpa penentuan nilai minimum support. Hasil modifikasi algoritma, yang disebut top-k frequent closed constrained gradient itemsets, melibatkan beberapa langkah tambahan terhadap algoritma TFP. Tambahan langkah tersebut antara lain berupa pembangkitan nilai minimum support secara dinamis untuk membebaskan pengguna dalam menginisialisasi nilai minimum support tersebut dan langkah perhitungan gradient untuk masing-masing item yang terdapat dalam basis data. Selain itu, modifikasi terhadap tabel global header dilakukan untuk menyimpan hasil perhitungan gradient untuk masing-masing itemnya. Langkah pemangkasan gradient pada FP-Tree yang terbentuk, yaitu pemangkasan item yang tidak memenuhi batasan gradient yang diinginkan, dilakukan tepat sebelum proses penggalian frequent closed itemset dijalankan. Terakhir, modifikasi terhadap langkah pembangkitan hasil penggalian frequent closed itemset dilakukan agar hasil akhir dari frequent closed itemsets dapat disimpan secara terurut berdasarkan nilai gradient dan support tertinggi. Hasil uji coba menunjukkan bahwa program yang dibuat mampu membangkitkan top-k frequent closed itemset dengan nilai gradient dan support tertinggi tanpa batasan minimum support pada basis data retail. Waktu komputasi yang diperlukan untuk membangkitkan top-k frequent closed itemset bergantung pada kedalaman FP-Tree yang terbentuk dari transaksi yang dianalisis. Semakin dalam FP- Tree terbentuk, maka semakin besar waktu komputasi yang diperlukan untuk melakukan proses penggalian. Kata Kunci: bisnis retail, analisis asosiasi, top-k frequent closed itemsets, batasan gradient. PENDAHULUAN Dunia retail selalu mengalami perkembangan yang sangat pesat. Untuk sebuah retail yang cukup besar, bisa terjadi ratusan transaksi dalam setiap harinya, sehingga
2 jumlah data yang disimpan sangat besar. Data transaksi ini kemudian disimpan dalam suatu basis data retail yang berupa basis data transaksional dan bersifat jarang (sparse). Pihak manajemen dapat memanfaatkan pengetahuan yang dapat dianalisis dari basis data retail untuk lebih memahami pola kebutuhan pelanggan sehingga dapat membantu dalam pembuatan keputusan bisnis. Salah satu cara analisis yang dapat digunakan adalah dengan menggunakan algoritma TFP. Algoritma yang diusulkan oleh Han dkk ini dapat melakukan penggalian top-k frequent closed itemsets tanpa batasan minimum support. Minimum support pada algoritma ini tidak dipakai dengan tujuan untuk menghindari ketidaktepatan dalam menentukan minimum support yang dapat berdampak pada dihasilkannya kandidat itemset yang kurang memuaskan (Han dkk, 2005). Dalam artikel tersebut, algoritma TFP juga dapat berjalan baik ketika diujicobakan pada basis data jarang yang merupakan sifat dari basis data retail. Dalam perkembangan analisis pada basis data retail, saat ini tidak hanya diperlukan sebuah metode untuk melakukan penggalian terhadap frequent closed itemsets saja tetapi diperlukan juga metode untuk melakukan formulasi query dengan batasan gradient. Gradient yang dimaksudkan disini adalah sebuah ukuran/measure yang ditetapkan seperti profit misalnya. Pada tahun 2006 dikembangkan sebuah algoritma Frequent Closed Constrained Gradient Mining (FCCGM) oleh Wang dkk (Wang, dkk, 2006). Algoritma ini dapat melakukan penggalian terhadap frequent closed itemsets dengan batasan gradient tertentu pada sebuah basis data retail. Hasil analisis terhadap algoritma FCCGM menunjukkan adanya kelemahan yang mendasar yaitu masih digunakannya minimum support sebagai batasan yang harus diinisialisasi. Kelemahan dari penggunaan minimum support sendiri telah disampaikan sebelumnya. Minimum support ditentukan dengan cara intuitif sehingga tingkat ketepatannya pun masih diragukan. Sementara sampai saat ini, belum ada satu penelitian pun yang dapat membantu untuk menentukan minimum support yang tepat bagi sebuah kasus. Pada penelitian ini dilakukan sebuah pengembangan terhadap algoritma TFP sehingga dapat dipakai untuk menggali top-k frequent closed itemsets dengan batasan gradient tanpa batasan minimum support. Selain itu, top-k frequent closed itemset yang dihasilkan juga tidak hanya diurutkan berdasarkan nilai support tertinggi saja seperti yang dihasilkan oleh algoritma TFP, tetapi juga berdasarkan nilai gradient. Hal ini diharapkan dapat membantu manajemen retail jika ingin lebih mengutamakan hasil berdasarkan besarnya profit dibandingkan dengan besar nilai support dari suatu itemset. METODE Algoritma ini dikembangkan dengan cara memodifikasi algoritma TFP sehingga dapat melakukan proses pemangkasan gradient dengan cara yang lebih kuat dan k frequent closed itemset tertinggi yang dihasilkan dapat urut berdasarkan nilai measure diikuti dengan support. Terdapat 2 konsep penting yang berhubungan dengan pengembangan algoritma, yaitu algoritma TFP dan algoritma FCCGM. Algoritma TFP Algoritma TFP menggunakan pendekatan FP-Tree dalam melakukan penggalian itemset dan mensyaratkan inisialisasi terhadap dua buah variabel yaitu k dan min_l. K adalah jumlah frequent closed itemset tertingi yang diinginkan pengguna untuk digali dan min_l adalah panjang transaksi minimal pada frequent closed itemset yang akan digali, dimana min_l >=0. Algoritma TFP tidak memerlukan inisialisasi minimum C-19-2
3 support. Berbeda dengan inisialisasi minimum support, kedua variabel tersebut mudah dipahami dan ditentukan oleh pengguna sesuai dengan kebutuhan. Konsep penting yang harus dipahami pada algoritma ini adalah pembangkitan minimum support. Ada 2 cara untuk membangkitkan minimum support yaitu dengan Close Node Count Array yang digunakan untuk membangkitkan minimum support pada saat penyisipan transaksi didalam FP-Tree serta Descendant Sum yang digunakan untuk membangkitkan minimum support ketika FP-Tree selesai dibangun [Wang, dkk, 2005]. Dengan cara ini, maka minimum support tidak perlu diinisialisasikan tapi dibangkitkan secara dinamis lewat program. Penggalian terhadap frequent closed itemset dilakukan secara rekursif lewat proses penggalian conditional FP-Tree yang terdapat pada algoritma Mine_ Cond_FPTree. Pembentukan conditional FP-Tree, dilakukan secara top-down terhadap global header table sementara proses penggalian lebih lanjut pada conditional FP-Tree yang terbentuk dilakukan dengan cara bottom-up. Selain itu digunakan beberapa metode pemangkasan daerah pencarian seperti item merging. Selanjutnya hasil penggalian frequent closed itemset akan disimpan dalam sebuah array hasil dan diurutkan berdasarkan count tertinggi. Langkah terakhir adalah menampilkan k itemset tertinggi dari array hasil tersebut. Kesimpulan yang dapat diambil dari hasil analisis terhadap algoritma TFP, adalah sebagai berikut : 1. Algoritma TFP dapat menghasilkan k frequent closed itemset tertinggi dan tidak memerlukan minimum support sebagai inputan. Minimum support akan dibangkitkan secara otomatis sesuai dengan keadaan sebuah basis data yaitu pada saat pembentukan FP-Tree dan pada saat setelah FP-Tree selesai terbentuk. 2. Dari hasil uji coba penelitian, algoritma TFP dapat berjalan dengan baik pada basis data yang bersifat sparse yang merupakan sifat dari basis data retail. 3. Algoritma TFP belum dapat digunakan untuk menggali frequent closed itemset yang memiliki batasan gradient. Algoritma FCCGM Sebuah query yang cukup kompleks yang biasa muncul dalam sebuah basis data retail adalah : barang-barang apakah yang sering dijual bersama sebuah produk TV tertentu yang akan memberikan keuntungan 20% lebih banyak dibandingkan keuntungan rata-rata dari semua jenis TV yang ada? Masalah tersebut dapat diselesaikan dengan mencari frequent closed itemset dengan batasan gradient lewat algoritma FCCGM. Pada algoritma FCCGM, terdapat 2 buah algoritma yang dijalankan secara berurutan, yaitu: a. Algoritma Top X-Average : algoritma ini digunakan untuk memangkas data yang tidak sesuai dengan batasan gradient yang telah ditetapkan. b. Algoritma LCLOSET : algoritma ini digunakan untuk menggali frequent closed itemset dari hasil yang didapatkan lewat lengkah sebelumnya. Algoritma Top X-Average dan LCLOSET yang keduanya merupakan pembentuk algoritma FCCGM berbasis pada FP-growth (Wang, dkk, 2005). Oleh karena itu, langkah-langkah dari algoritma ini adalah membentuk sebuah FP-Tree dari projected database, pemangkasan data yang tidak memenuhi batasan gradient dengan algoritma Top-X Average dan penggalian frequent closed constrain gradient itemset dengan algoritma LCLOSET. C-19-3
4 Berdasrkan hasil analisis terhadap algoritma dapat disimpulkan bahwa terdapat kelemahan yang mendasar pad algoritma ini, yaitu masih diperlukannnya batasan minimum support untuk diinisialisasikan oleh pengguna. Padahal seperti yang telah disampaikan pada bagian pendahuluan, penentuan minimum support yang tidak tepat oleh pengguna akan mengakibatkan kesalahan dalam menentukan itemset (Wang dkk, 2005). Aspek Kebaruan Penelitian Berdasarkan dari permasalahan yang telah diuraikan, maka diperlukan sebuah algoritma yang dapat melakukan penggalian terhadap top-k frequent closed constrained gradient itemset tanpa inisialisasi batasan minimum support. Untuk itu pada penelitian ini akan dilakukan pengembangan terhadap algoritma TFP sehingga dapat penggalian Top-K Closed Frequent Contrained Gradient Itemsets pada basis data retail yang memiliki karakteristik : a. Tabel global header yang dapat menyimpan perhitungan rata-rata measure. Untuk memenuhi hal ini, maka tabel global header perlu dimodifikasi. b. Tidak memerlukan inisialisasi minimum support. Untuk keperluan ini dapat menggunakan close node count array dan descendant sum pada algoritma TFP untuk melakukan pembangkitan minimum support secara dinamis seperti yang telah diuraikan pada sub bab 2.1. c. Hasil dari algoritma TFP perlu dimodifikasi agar dapat menyimpan hasil penggalian k frequent closed constrain gradient itemset dengan rata-rata measure dan count yang tertinggi. Dengan memperhatikan 3 hal tersebut diatas diharapkan hasil penggalian top-k frequent closed constrain gradient itemset pada basis data retail akan lebih baik karena tidak lagi memerlukan inisialisasi minimum support. Selain itu algoritma yang akan dikembangkan nanti juga menghasilkan k frequent closed itemset dengan nilai rata-rata measure dan count yang tertinggi. Dalam sub bab berikut ini dijelaskan konsep modifikasi tabel global header yang didalamnya terdapat perhitungan rata-rata measure, penjelasan singkat tentang perhitungan pembangkitan minimum support dan penjelasan modifikasi hasil dari algoritma TFP agar dapat menghasilkan top-k frequent closed constrain gradient itemset. Hal-hal ini merupakan kontribusi dari penelitian yang dilakukan. Pembentukan Modifikasi Tabel Global Header Pada algoritma yang dikembangkan, tabel global header perlu dimodifikasi agar dapat menyimpan perhitungan rata-rata measure. Pemangkasan gradient akan dilakukan berdasarkan rata-rata measure dari sebuah item yang dihitung dengan melibatkan seluruh transaksi yang mengandung item tersebut. Ide dasar dari perhitungan rata-rata measure pada saat pembentukan modifikasi tabel global header adalah sebagai berikut, untuk m buah node dengan label I, rata-rata measure dari I yang disimbolkan sebagai avg(i), merupakan jumlah dari seluruh perkalian antara measure dari sebuah transaksi yang mengadung I dengan jumlah item pada transaksi tersebut, dibagi dengan jumlah item yang terlibat dalam semua transaksi yang mengandung I dalam sebuah basis data retail. Secara matematis perhitungan ratarata mesaure ini dituliskan seperti pada persamaan 1. avg( I) j i 1 measure( I, t ) * length( t ) j i 1 i length( t ) i i...(1) C-19-4
5 Keterangan : I : sebuah item pada basis data retail i : penghitung transaksi yang mengandung item I j : jumlah transaksi yang mengandung I pada basis data retail measure(i,ti) : measure item I pada transaksi ke i length(ti) : panjang transaksi ke i Dengan mengacu pada batasan yang harus dipenuhi oleh algoritma TFP, maka transaksi yang terlibat disini adalah transaksi yang memiliki panjang min_l saja. Sementara I sendiri memiliki support >= minimum support yang berlaku pada saat perhitungan tersebut dilakukan. Tabel 1. Projected Database on e Sumber : Wang, 2006 Untuk lebih memperjelas pengembangan metode ini, diambil sebuah contoh kasus untuk dapat menentukan rata-rata measure dari itemset pada Tabel 1. Beberapa langkah yang harus dilakukan untuk keperluan ini adalah : a. Melakukan pembacaan satu kali terhadap basis data untuk mengetahui panjang transaksi pada sebuah id transaksi tertentu dan menambahkan kolom panjang transaksi pada basis data retail. Maka untuk contoh kasus dengan mengacu pada Tabel 1, setelah melakukan pembacaan, maka ada informasi baru yang muncul dalam bentuk kolom baru pada Tabel 1, sehingga tabelnya akan menjadi seperti Tabel 2. b. Membentuk modifikasi tabel global header. Berbeda dengan tabel global header pada algoritma FCCGM yang menyimpan informasi id item, support serta jumlah measure untuk id item tersebut sebagaimana dijelaskan pada artikel Wang, dkk (Wang, dkk,2006) dan tabel global header pada algoritma TFP yang terdiri dari Id Item, support dan l-count (Wang, dkk, 2005), maka tabel global header pada algoritma ini informasi yang disimpan untuk masing-masing itemnya adalah : id item, support, average measure per item (avg(i)). Id item adalah id dari sebuah item. Support adalah frekuensi kemunculan sebuah item pada basis data. Average measure item I (avg(i)) adalah average measure dari transaksi I..Berdasarkan basis data retail pada Tabel 2 maka dapat dibentuk tabel global header yang digambarkan dalam Tabel 3. Tabel 2. Projected Database One e dengan Kolom Panjang Transaksi TID Set of Items Ordered Set of Items Measure 10 a,c,f,m,p f,c,a,m,p a,c,d,f,m,p f,c,a,m,p,d a,b,c,f,g,m f,c,a,b,m,g b,f,i f,b,i b,c,n,p c,b,p,n 45 C-19-5
6 Tabel 3. Tabel Global Header f C a b m p Jika diketahui batasan gradientnya adalah 40, maka hanya item c dan b saja yang dapat melewati batasan gradient. Item f,a,m,p yang kemudian disebut non gradient item dapat dipangkas dari tabel global header. FP-Tree kemudian dibentuk dari transaksi-transaksi yang terdiri dari item-item yang memenuhi batasan gradient. Menghilangkan Minimum Support Sebagai Batasan yang harus Diinisialisaikan Metode pembangkitan minimum support pada algoritma TFP dapat digunakan untuk keperluan ini, sebagaimana yang telah dijelaskan pada sub bab 2.1. Minimum support diinisialisasikan dengan nilai 0 untuk pertama kali dan akan dibangkitkan secara dinamis selama proses pembangunan FP-Tree, yaitu pada saat melakukan penyisipan transaksi pada FP-Tree dengan menggunakan perhitungan close node count. Minimum support kembali dilakukan setelah FP-Tree telah selesai terbentu dengan perhitungan descendant sum. Pemangkasan FP-Tree dilakukan tepat setelah sebuah minimum support dibangkitkan oleh masing-masing perhitungan dengan cara memangkas item pada tabel global header yang memiliki support<minimum support beserta simpulsimpul yang bersesuaian pada FP-Tree. Untuk lebih jelasnya, pembaca dapat mengacu pada artikel asli dari algoritma TFP ini. Modifikasi Hasil Akhir Dalam penjelasan sebelumnya, Algoritma TFP hanya dapat menghasilkan top-k frequent closed itemset. Top-k frequent closed itemset adalah k frequent closed itemset dengan nilai count tertinggi. Oleh karena itu, hasil dari algoritma ini perlu dimodifikasi agar dapat menghasilkan k frequent closed itemset yang memenuhi batasan gradient dengan nilai rata-rata measure dan count tertinggi atau disebut dengan top-k frequent closed constraint gradient itemset (top -k fccgi). Rata-rata measure dijadikan dasar penentuan top-k yang pertama sebelum kemudian diikuti nilai count dikarenakan dalam dunia bisnis, apapun dan berapapun kombinasi itemset bisa jadi tidak akan menjadi masalah, selama itemset tersebut dapat memberikan keuntungan sebesar mungkin bagi perusahaan. Hal ini dapat dijadikan salah satu pertimbangan dalam mengambil keputusan bisnis. Ide yang digunakan untuk memodifikasi hasil ini adalah, setelah melakukan pemangkasan gradient maka proses selanjutnya adalah melakukan penggalian frequent closed itemset. Hasil penggalian ini kemudian ditampung dalam sebuah array dan kemudian diurutkan berdasarkan rata-rata measure diikuti oleh count. Kemudian ditampilkan k pertama dari isi array tersebut, yaitu frequent closed constrain gradient itemset dengan panjang transaksi > min_l. Rancangan Algoritma Algoritma ini merupakan pengembangan algoritma TFP dan dijelaskan lewat diagram alir pada Gambar 1. Beberapa bagian dari algoritma TFP yang dimodifikasi adalah pada pembentukan tabel global header, penambahan langkah pemangkasan gradient sebelum proses penggalian dilakukan serta serta modifikasi pengurutan hasil akhir yang terdapat pada notasi diagram alir berwarna kuning. Karena tidak ada perubahan apapun yang dilakukan pada algoritma Mine_Cond_FPTree, maka penjelasan tentang hal ini dapat langsung merujuk pada referensi asal, yaitu pada artikel tentang algoritma TFP yang dituliskan oleh Wang, dkk pada tahun C-19-6
7 UJI COBA DAN ANALISIS HASIL Lingkungan perangkat lunak yang digunakan untuk uji coba dalam penelitian ini menggunakan Sistem Operasi Microsoft Windows Xpdengan bahasa pemrograman menggunakan Borland Delphi 5.0 Lingkungan perangkat keras yang digunakan adalah komputer dengan spesifikasi processor menggunakan Intel Core 2 Duo, kapasitas memori DDR2 1 GB dan Harddisk 80 GB. Pengukuran kinerja dari algoritma yang dikembangkan dilakukan dengan menggunakan sebuah skenario. Skenario ini bertujuan untuk melihat pengaruh nilai min_l dan k terhadap kinerja algoritma yang diukur lewat lama waktu penyelesaian masing-masing proses dan keseluruhan proses. Skenario ini diuji dengan menggunakan 3 buah dataset besar yang bersifat jarang dan dijelaskan pada Tabel 4 dibawah ini. Tabel 4. Karakteristik Dataset Nama Dataset Jumlah Item Jumlah Record Mushroom T10I4D100K Gazelle Gambar 1. Diagram Alir Pengembangan Algoritma Top-K Frequent Closed Itemset dengan Batasan Gradient C-19-7
8 Berdasarkan hasil uji coba pada beberapa dataset, secara umum dapat disimpulkan beberapa hal. Tabel 5 dan Tabel 6 menunjukkan rekap dari ketiga hasil uji coba tersebut. Tanda panah keatas ( ) menunjukkan adanya kecenderungan hasil uji coba meningkat dan tanda panah kebawah ( ) menunjukkan adanya kecenderungan hasil uji coba menurun. Tabel 5. Rekap Hasil Uji Coba Min_L=10 Mushroom T10I4D100K Gazelle Kesimpulan K - MinSup Level pencarian Minimum support turun Waktu Penggalian Jumlah Transaksi Minimum support turun pemangkasan sedikit FPTree besar waktu penggalian naik Tetap Tetap Minimum support turun semakin banyak transaksi yang bisa disisipkan ke FP-Tree Tabel 6. Rekap Hasil Uji Coba K=10 Mushroom T10I4D100K Gazelle Kesimpulan Min_L - MinSup Anchor Node semakin rendah Minimum support semakin kecil Waktu Penggalian Jumlah Transaksi (a) (b) Minimum support turun pemangkasan sedikit FPTree besar waktu penggalian naik Tetap Tetap Min_L semakin besar semakin sedikit jumlah transaksi terlibat Dari Tabel 5 dan Tabel 6 dapat dilihat, untuk beberapa hal ada kesimpulan yang menyimpang atau terlalu drastis perubahannya. Hal ini dijelaskan sebagai berikut : a. Minimum support akan mengalami penurunan baik ketika nilai k ataupun min_l dinaikan. b. Waktu penggalian dataset T10I4D100K menyimpang dari kesimpulan dikarenakan jumlah transaksi yang terlibat turun cukup signifikan. Hal ini mengakibatkan waktu penggaliannya pun turun, bukan naik. c. Waktu penggalian dataset Gazelle tidak menyimpang dari kesimpulan tetapi kenaikan yang terjadi cukup drastis, hal ini dikarenakan kedalaman FP-Tree cukup dalam karena panjang transaksi yang terlibat cukup panjang. Hal ini mengakibatkan waktu penggaliannya naik cukup drastis. Berdasarkan kedua hal tersebut didapatkan sebuah kesimpulan baru, bahwa waktu proses penggalian juga akan bergantung pada dua hal, yaitu : 1. Jumlah transaksi yang terlibat. 2. Kedalaman FP-Tree. Pada Gambar 2 dan Gambar 3 berikut diperlihatkan grafik yang dapat menunjukkan perbandingan waktu proses dari ketiga dataset besar yang digunakan. C-19-8
9 Kesimpulan yang dapat ditarik dari grafik tersebut adalah lama waktu proses program yang dikembangkan akan stabil pada saat menggunakan dataset dengan FP-Tree yang memiliki panjang transaksi yang perbedaannya tidak besar, sesuai seperti karakteristik yang dimiliki dataset Mushroom maupun T10I4D100K. Perbandingan Lama Total Waktu Proses di Min_L=10 Total Waktu Proses (Detik) K Mushroom Gazelle T10I4D100K Gambar 2. Grafik Perbandingan Total Waktu Proses di Min_L = 10 Perbandingan Lama Total Waktu Proses di K=10 Total Waktu Proses (Detik) Min_L KESIMPULAN Mushroom Gazelle T10I4D100K Gambar 3. Grafik Perbandingan Total Waktu Proses di K = 10 Berdasarkan hasil uji coba yang dilakukan dapat disimpulkan beberapa hal sebagai berikut : 1. Dalam penelitian ini telah berhasil dikembangkan algoritma untuk melakukan penggalian k frequent closed itemset dengan nilai gradient dan support tertinggi tanpa batasan minimum support pada satu set transaksi dalam sebuah basis data retail. Algoritma yang menggunakan pendekatan pembentukan itemset dengan menggunakan struktur data frequent pattern tree (FP-Tree) dan telah berhasil diimplementasikan memungkinkan seorang pengguna, khususnya manajemen retail, untuk mendapatkan k frequent closed itemset tertinggi berdasarkan nilai gradient dan support. Itemset yang didapatkan dapat dimanfaatkan oleh manajemen retail untuk melihat pola kecenderungan kebutuhan pelanggan, yang pada gilirannya akan dapat membantu manajemen dalam proses pengambilan keputusan bisnis. 2. Agar algoritma yang dikembangkan dapat digunakan secara nyata, waktu proses untuk melakukan penggalian frequent closed itemset menjadi penting agar pengguna dapat melakukan analisis secara interaktif untuk mendapatkan k frequent closed itemset tertinggi berdasarkan nilai gradient dan support. Untuk ini, hasil uji coba C-19-9
10 menunjukkan bahwa total waktu komputasi dari proses untuk memperoleh itemset dimaksud bergantung pada kedalaman FP-Tree yang terbentuk dari transaksi yang dianalisis. Semakin dalam FP-Tree yang terbentuk, maka semakin besar waktu komputasi yang diperlukan untuk melakukan proses penggalian. DAFTAR PUSTAKA Han, J., Wang, J., Yiwen, Y. (2001), Mining Frequent Pattern without Candidate Generation: A Frequent Pattern-Tree Approach, Data Mining and Knowledge Discovery, Kluwer Academic Publisher, Netherland, hal Han, J., Wang, J., Yiwen, Y, Tzevetkov, P. (2002), Mining Top -K Frequent Closed Patterns Without Minimum Support, Proceedings of the 2002 IEEE International Conference on Data Mining (ICDM'02), Washington, D.C., USA, hal Hirate, Y., Iwahashi, E., Yamana, H. (2004), TF2P-growth: An Efficient Algorithm for Mining Frequent Patterns without any Thresholds, Proceeding of IEEE ICDM'04 Workshop on Alternative Techniques for Data Mining and Knowledge Discoverey, Brighton,UK Lam, J. (1997), Multi Dimensional Constraint Gradient Mining, Thesis, Simon Fraser University, Canada Pei, J., Han, J., Mao, R.(2000), CLOSET: An Efficient Algorithm for Mining Frequent Closed Itemsets. Proceedings of the 2000 ACM SIGMOD Workshop on Research Issues in Data Mining and Knowledge Discovery, Dallas, Texas. Tan, P., Steinbach, M., Kumar, V.(2006), Introduction to Data Mining, Pearson Education, Boston. Wang, J., Han, J., Pei J. (2003), CLOSET+: Searching for Best Strategies for Mining Frequent Closed Itemset, Proceedings of the 9th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (KDD'03), Washington, D.C., USA, hal Wang, J., Han, J., Lu, Y, Tzevetkov, P. (2005), Mining Top-K Frequent Closed Patterns Without Minimum Support, IEEE Transactions on Knowledge and Data Engineering, Vol. 17, No.5, hal Wang, J., Han, J., Pei. J. (2006), Closed Constraint Gradient Mining in Retail Database, IEEE Transaction on Knowledge and Data Engineering, Vol. 18, No. 6, hal C-19-10
PENGEMBANGAN APLIKASI PENGGALIAN TOP-K FREQUENT CLOSED CONSTRAINED GRADIENT ITEMSETS PADA BASIS DATA RETAIL
PENGEMBANGAN APLIKASI PENGGALIAN TOP-K FREQUENT CLOSED CONSTRAINED GRADIENT ITEMSETS PADA BASIS DATA RETAIL Dhiani Tresna Absari dan Arif Djunaidy Fakultas Teknologi Informasi, Institut Teknologi Sepuluh
Lebih 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 terperinciPerbaikan Struktur Weighted Tree dengan Metode Partisi Fuzzy dalam Pembangkitan Frequent Itemset
T E S I S Perbaikan Struktur Weighted Tree dengan Metode Partisi Fuzzy dalam Pembangkitan Frequent Itemset Oleh: Budi Dwi S (5106201001) Pembimbing Daniel O. Siahaan.S.Kom. M.Sc, PD.Eng Akhmad Saikhu,
Lebih terperinciALGORITMA PARALEL FP-GROWTH UNTUK PENGGALIAN KAIDAH ASOSIASI PADA JARINGAN KOMPUTER
ALGORITMA PARALEL FP-GROWTH UNTUK PENGGALIAN KAIDAH ASOSIASI PADA JARINGAN KOMPUTER F.X. Arunanto, Syaiful Isman Jurusan Teknik Informatika, Fakultas Teknologi Informasi, Institut Teknologi Sepuluh Nopember
Lebih 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 terperinciPENGGALIAN FREQUENT CLOSED ITEMSETS DENGAN MULTIPLE MINIMUM SUPPORT PADA BASISDATA RETAIL
Vol. 5, No. 4, Juli 010 ISSN 016-0544 PENGGALIAN FREQUENT CLOSED ITEMSETS DENGAN MULTIPLE MINIMUM SUPPORT PADA BASISDATA RETAIL Endah Purwanti Program Studi Sistem Informasi, Fakultas Sains dan Teknologi,
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Apriori merupakan salah satu algoritma yang terkenal dalam mencari frequent pattern dari database transaksi[8]. Prinsip dari algortima Apriori ini adalah jika sebuah
Lebih terperinciPEMBANGKITAN KAIDAH ASOSIASI DARI TOP-K FREQUENT CLOSED ITEMSET YANG DIDASARKAN PADA STRUKTUR DATA BERBASIS LATTICE
PEMBANGKITAN KAIDAH ASOSIASI DARI TOP-K FREQUENT CLOSED ITEMSET YANG DIDASARKAN PADA STRUKTUR DATA BERBASIS LATTICE Dian Puspita Hapsari dan Arif Djunaidy Fakultas Teknologi Informasi, Institut Teknologi
Lebih terperinciPenerapan Stuktur FP-Tree dan Algoritma FP-Growth dalam Optimasi Penentuan Frequent Itemset
Penerapan Stuktur FP-Tree dan Algoritma FP-Growth dalam Optimasi Penentuan Frequent Itemset David Samuel/NIM :13506081 1) 1) Program Studi Teknik Informatika, Sekolah Teknik Elektro dan Informatika Institut
Lebih 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 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 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 terperinciPERBAIKAN STRUKTUR WEIGHTED TREE DENGAN METODE PARTISI FUZZY DALAM PEMBANGKITAN FREQUENT ITEMSET
Vol. 5, No. 3, Januari 2010 ISSN 0216-0544 PERBAIKAN STRUKTUR WEIGHTED TREE DENGAN METODE PARTISI FUZZY DALAM PEMBANGKITAN FREQUENT ITEMSET * Budi Dwi Satoto, ** Daniel O Siahaan, *** Akhmad Saikhu * Jurusan
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 terperinciPenggunaan Struktur FP-Tree dan Algoritma FP- Growth dalam Rekomendasi Promosi Produk pada Situs Belanja Online
Penggunaan Struktur FP-Tree dan Algoritma FP- Growth dalam Rekomendasi Promosi Produk pada Situs Belanja Online Irene Edria Devina / 13515038 1 Program Studi Teknik Informatika Sekolah Teknik Elektro dan
Lebih 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 terperinciSISTEM REKOMENDASI PAKET MAKANAN DENGAN ALGORITMA FP-GROWTH PADA RESTORAN SEAFOOD XYZ
SISTEM REKOMENDASI PAKET MAKANAN DENGAN ALGORITMA FP-GROWTH PADA RESTORAN SEAFOOD XYZ Pahridila Lintang 1),Muhammad Iqbal 2), Ade Pujianto 3) 1), 2, 3) Teknik Informatika STMIK AMIKOM Yogyakarta Jl Ring
Lebih terperinciPENERAPAN DATA MINING MENGGUNAKAN ALGORITMA FP-TREE DAN FP-GROWTH PADA DATA TRANSAKSI PENJUALAN OBAT
PENERAPAN DATA MINING MENGGUNAKAN ALGORITMA FP-TREE DAN FP-GROWTH PADA DATA TRANSAKSI PENJUALAN OBAT Yuyun Dwi Lestari Program Studi Teknik Informatika, Sekolah Tinggi Teknik Harapan Jl. H. M. Jhoni No.
Lebih terperinciAbstrak. Data Mining, Algoritma Apriori, Algoritma FP-Growth, Mata Pelajaran, Pemrograman, Web Programming, Matematika, Bahasa Inggris.
Penerapan Algoritma Apriori dan Algoritma FP-Growth Dalam Menemukan Hubungan Data Nilai Ijazah Matematika dan Bahasa Inggris Dengan Nilai Mata Pelajaran Pemrograman dan Web Programming (Studi Kasus SMK
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 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 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 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 terperinciPENDAHULUAN TINJAUAN PUSTAKA
Latar Belakang PENDAHULUAN Begitu banyaknya fungsionalitas dalam penggalian data terkadang membuat kita harus memilih secara seksama. Pemilihan fungsionalitas yang tepat dalam melakukan suatu penggalian
Lebih 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 terperinciBAB II LANDASAN TEORI. Anindita Dwi Respita,2015. a. Penelitian ini menjelaskan tentang tujuan : menggunakan metode market basket analysis.
BAB II LANDASAN TEORI 2.1 Tinjauan Pustaka 2.1.1 Penelitian Terkait 1) Penelitian terdahulu dengan judul Online Shop kecantikan dan kosmetik dengan pemberian saran pembelian produk menggunakan Market Basket
Lebih terperinciDAFTAR ISI Transformasi data... 47
DAFTAR ISI HALAMAN JUDUL... i HALAMAN PENGESAHAN... ii HALAMAN PERNYATAAN... iii PRAKATA... iv DAFTAR ISI... vi DAFTAR TABEL... ix DAFTAR GAMBAR... xi INTISARI... xiii ABSTRACT... xiv BAB I PENDAHULUAN...
Lebih terperinciMining Association Rules dalam Basis Data yang Besar
Mining Association Rules dalam Basis Data yang Besar S1 Teknik Informatika Fakultas Teknologi Informasi Universitas Kristen Maranatha Agenda Pendahuluan Association Rule Mining Market Basket Analysis Konsep
Lebih terperinciKata kunci: graph, graph database, GIndex, subgraph query, size-increasing support constraint, discriminative fragments, index, subgraph matching
Analisis dan Implementasi Graph Indexing Pada Graph Database Menggunakan Algoritma GIndex Analysis and Implementation of Graph Indexing for Graph Database Using GIndex Algorithm Hadyan Arif 1, Kemas Rahmat
Lebih terperinciBAB 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 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 terperinciAplikasi Data Mining untuk meneliti Asosiasi Pembelian Item Barang di Supermaket dengan Metode Market Basket Analysis
Aplikasi Data Mining untuk meneliti Asosiasi Pembelian Item Barang di Supermaket dengan Metode Market Basket Analysis ANDREAS HANDOJO, GREGORIUS SATIA BUDHI, HENDRA RUSLY Jurusan Teknik Informatika Universitas
Lebih 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 terperinciANALISIS DAN IMPLEMENTASI ALGORITMA CT-APRIORI UNTUK ASOSIASI TRANSAKSI BARANG
ISSN : 2355-9365 e-proceeding of Engineering : Vol.3, No.3 December 2016 Page 5304 ANALISIS DAN IMPLEMENTASI ALGORITMA CT-APRIORI UNTUK ASOSIASI TRANSAKSI BARANG Abstrak ANALYSIS AND IMPLEMENTATION OF
Lebih terperinciData Mining. Tidak. Mulai. Data transaksi. Pembersihan data. Seleksi data. Transformasi data. Pemberian nilai minimum support
6 Representasi Pengetahuan Tahap ini merupakan tahap akhir dari proses KDD. Sederetan aturan atau rule disajikan kepada pengguna dengan menggunakan algoritme Rule Generation. Mulai Data transaksi Pembersihan
Lebih terperinciPENGEMBANGAN ALGORTIMA APRIORI UNTUK PENGAMBILAN KEPUTUSAN THE DEVELOPMENT APRIORI ALGORITHM FOR DECISION- MAKING
JURNAL TEKNOLOGI INFORMASI DAN KOMUNIKASI Vol. 4 No. 2, Desember 2015 : 110-121 PENGEMBANGAN ALGORTIMA APRIORI UNTUK PENGAMBILAN KEPUTUSAN THE DEVELOPMENT APRIORI ALGORITHM FOR DECISION- MAKING 1 Lismardiana,
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 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 terperinciAPLIKASI DATA MINING MENGGUNAKAN ATURAN ASOSIASI DENGAN METODE APRIORI UNTUK ANALISIS KERANJANG PASAR PADA DATA TRANSAKSI PENJUALAN APOTEK
APLIKASI DATA MINING MENGGUNAKAN ATURAN ASOSIASI DENGAN METODE APRIORI UNTUK ANALISIS KERANJANG PASAR PADA DATA TRANSAKSI PENJUALAN APOTEK Leni Meiwati Jurusan Sistem Informasi Fakultas Ilmu Komputer dan
Lebih terperinciASSOCIATION RULES PADA TEXT MINING
Budi Susanto ASSOCIATION RULES PADA TEXT MINING SUSANTO 1 Tujuan Memahami algoritma Apriori dan FP- Growth Memahami penerapannya pada penambangan dokumen Memamahmi algoritma GSP Memahami penerapannya pada
Lebih terperinciBAB 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 METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN Pada bab ini akan dijelaskan tahap-tahap yang dilakukan dalam melakukan penelitian. Tahapan penelitian berguna agar pelaksanaan penelitian dapat berjalan dengan baik dan sistematis
Lebih terperinciSISTEM REKOMENDASI PEMESANAN SPAREPART DENGAN ALGORITMA FP-GROWTH (STUDI KASUS PT. ROSALIA SURAKARTA)
SISTEM REKOMENDASI PEMESANAN SPAREPART DENGAN ALGORITMA FP-GROWTH (STUDI KASUS PT. ROSALIA SURAKARTA) Nur Rohman Ardani 1), Nur Fitrina 2) 1) Magister Teknik Informatika STMIK AMIKOM Yogyakarta 2) Teknik
Lebih 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 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 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 terperinciCust. 1 : milk, bread, cereal. Cust. 2 : milk, bread, Sugar, eggs. Cust. 3 : milk, bread, butter
Mining Association Rules in Large Databases S1 Teknik Informatika Fakultas Teknologi Informasi Universitas Kristen Maranatha Agenda Pendahuluan Association Rule Mining Market Basket Analysis Basic Concept
Lebih terperinciDATA MINING ANALISA POLA PEMBELIAN PRODUK DENGAN MENGGUNAKAN METODE ALGORITMA APRIORI
DATA MINING ANALISA POLA PEMBELIAN PRODUK DENGAN MENGGUNAKAN METODE ALGORITMA APRIORI Heroe Santoso 1), I Putu Hariyadi 2), Prayitno 3) 1), 2),3) Teknik Informatika STMIK Bumigora Mataram Jl Ismail Marzuki
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang
BAB I PENDAHULUAN Pada bab ini berisi tentang latar belakang pembuatan dari aplikasi penentuan rekomendasi pencarian buku perpustakaan menggunakan algoritma fp-growth, rumusan masalah, tujuan, batasan
Lebih terperinciDATA MINING UNTUK MENGGALI POLA MAHASISWA BARU MENGGUNAKAN METODE FREQUENT PATTERN GROWTH (STUDI KASUS : INSTITUT TEKNOLOGI ADHI TAMA SURABAYA)
DATA MINING UNTUK MENGGALI POLA MAHASISWA BARU MENGGUNAKAN METODE FREQUENT PATTERN GROWTH (STUDI KASUS : INSTITUT TEKNOLOGI ADHI TAMA SURABAYA) Budanis Dwi Meilani, Muhammad Asadulloh Jurusan Teknik Informatika,
Lebih terperinciIMPLEMENTASI ALGORITMA FP- GROWTH MENGGUNAKAN ASSOCIATION RULE PADA MARKET BASKET ANALYSIS
IMPLEMENTASI ALGORITMA FP- GROWTH MENGGUNAKAN ASSOCIATION RULE PADA MARKET BASKET ANALYSIS Fitriyani Fakultas Teknik, Universitas BSI Bandung Jalan Sekolah Internasional No. 1-6, Bandung 40282, Indonesia
Lebih 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 terperinciTINJAUAN PUSTAKA Data Mining
25 TINJAUAN PUSTAKA 2.1. Data Mining Definisi sederhana dari data mining adalah ekstraksi informasi atau pola yang penting atau menarik dari data yang ada di database. Secara lengkap, Data mining merupakan
Lebih terperinciFREQUENT ITEMSET MINING MENGGUNAKAN ALGORITMA PIE
FREQUENT ITEMSET MINING MENGGUNAKAN ALGORITMA PIE Suhatati Tjandra Dosen Teknik Informatika Sekolah Tinggi Teknik Surabaya e-mail: tati@stts.edu ABSTRAK Frequent itemset mining adalah algoritma yang digunakan
Lebih terperinciPola Kompetensi Mahasiswa Program Studi Informatika Menggunakan FP-Growth
Pola Kompetensi Mahasiswa Program Studi Informatika Menggunakan FP-Growth Fitrah Rumaisa, S.T., M.Kom Prodi Teknik Informatika, Fakultas Teknik, Universitas Widyatama E-Mail: fitrah.rumaisa@widyatama.ac.id
Lebih terperinciDATA MINING UNTUK MENGGALI POLA MAHASISWA BARU MENGGUNAKAN METODE FREQUENT PATTERN GROWTH (STUDI KASUS : INSTITUT TEKNOLOGI ADHI TAMA SURABAYA)
DATA MINING UNTUK MENGGALI POLA MAHASISWA BARU MENGGUNAKAN METODE FREQUENT PATTERN GROWTH (STUDI KASUS : INSTITUT TEKNOLOGI ADHI TAMA SURABAYA) Budanis Dwi Meilani, Muhammad Asadulloh Jurusan Teknik Informatika,
Lebih terperinciAssociation Rule Mining Data Peminjaman Perpustakaan Menggunakan Apriori dan Jaccard Similarity
Association Rule Mining Data Peminjaman Perpustakaan Menggunakan Apriori dan Jaccard Similarity Muhammad Hezby Al Haq Program Studi Informatika Universitas Sebelas Maret Jl. Ir. Sutami No. 36 A, Surakarta
Lebih terperinci1 BAB I 2 PENDAHULUAN
1 BAB I 2 PENDAHULUAN 1.1 Latar Belakang Data mining merupakan salah satu bidang ilmu yang berupaya untuk menemukan kaidah, pola, model, maupun informasi yang bersifat menarik dari sekumpulan data. Salah
Lebih terperinciIMPLEMENTASI ALGORITMA FOLD-GROWTH PADA PEMODELAN POLA PEMBELIAN BARANG SEBAGAI PENDUKUNG PENENTUAN LETAK BARANG
IMPLEMENTASI ALGORITMA FOLD-GROWTH PADA PEMODELAN POLA PEMBELIAN BARANG SEBAGAI PENDUKUNG PENENTUAN LETAK BARANG Bq Desy Hardianti 1, Mira Kania Sabariah, ST., MT. 2, Alfian Gozali Akbar, ST. MT. 3 1,2,3
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 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 terperinciPENERAPAN DATA MINING UNTUK MENGETAHUI POLA ASOSIASI ANTARA DATA MAHASISWA DAN TINGKAT KELULUSAN MENGGUNAKAN ALGORITMA FOLD-GROWTH
PENERAPAN DATA MINING UNTUK MENGETAHUI POLA ASOSIASI ANTARA DATA MAHASISWA DAN TINGKAT KELULUSAN MENGGUNAKAN ALGORITMA FOLD-GROWTH Betha Nurina Sari1, Drs.Muh. Arif Rahman M.Kom2, Yusi Tyroni Mursityo,S.Kom,M.S.3
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 terperinciRANCANG BANGUN APLIKASI MARKET BASKET ANALYSIS (MBA) PADA MINIMARKET UD. DIANI DENGAN ALGORITMA CT-PRO
RANCANG BANGUN APLIKASI MARKET BASKET ANALYSIS (MBA) PADA MINIMARKET UD. DIANI DENGAN ALGORITMA CT-PRO Oleh Gede Agus Eka Kharisma Jurusan Pendidikan Teknik Informatika, Fakultas Teknik dan Kejuruan Universitas
Lebih terperinciBAB I PENDAHULUAN. Permintaan sepeda motor pada PT. Bintang Utama Motor semakin
BAB I PENDAHULUAN I.1. Latar Belakang Permintaan sepeda motor pada PT. Bintang Utama Motor semakin bertambah setiap tahunnya. Terdapat banyak jenis sepeda motor Honda di PT. Bintang Utama Motor mulai dari
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1 Data Mining Data mining adalah eksplorasi dan analisis data dalam jumlah besar untuk menemukan pola yang berarti dan beraturan. Tujuan data mining adalah untuk meningkatkan pemasaran,
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 terperinciPERBANDINGAN ALGORITMA APRIORI DAN ALGORITMA FP-GROWTH UNTUK PEREKOMENDASI PADA TRANSAKSI PEMINJAMAN BUKU DI PERPUSTAKAAN UNIVERSITAS DIAN NUSWANTORO
PERBANDINGAN ALGORITMA APRIORI DAN ALGORITMA FP-GROWTH UNTUK PEREKOMENDASI PADA TRANSAKSI PEMINJAMAN BUKU DI PERPUSTAKAAN UNIVERSITAS DIAN NUSWANTORO Rizky Mei Anggraeni Program Studi Teknik Informatika,
Lebih terperinciMETODE PENELITIAN. Proses Dasar Sistem
Gagasan utama dari sequential pattern mining adalah untuk menemukan semua pola sekuensial yang memiliki nilai support lebih besar dari nilai minimum support yang diberikan (Fiot. C et al ). Diagram alir
Lebih 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 terperinci1. BAB I PENDAHULUAN 1.1. Latar Belakang ,
1. BAB I PENDAHULUAN 1.1. Latar Belakang Hasil survey Badan Kesejahteraan Keluarga Pemberdayaan Perempuan dan Keluarga Berencana (BKKPPKB) tahun 2009 menunjukkan angka kemiskinan di Kabupaten Bantul sebanyak
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Pengertian Data, Informasi dan Knowledge Data merupakan fakta yang dikumpulkan, disimpan, dan diproses boleh sebuah sistem informasi. Selain deskripsi dari sebuah fakta, data
Lebih terperinciAnalisis Efisiensi Algoritma Data Mining
Analisis Efisiensi Algoritma Data Mining Rizki Muliono Teknik Informatika, Universitas Medan Area rizkimuliono@gmail.com Abstrak Datamining adalah kaidah ilmu yang semakin berkembang pesat saat ini dan
Lebih terperinciPREDIKSI OUTLIER MENGGUNAKAN DATA TEPI CLUSTER UNTUK MENINGKATKAN KUALITAS PENGETAHUAN HASIL DATA MINING
PREDIKSI OUTLIER MENGGUNAKAN DATA TEPI CLUSTER UNTUK MENINGKATKAN KUALITAS PENGETAHUAN HASIL DATA MINING Barry Nuqoba, Arif Djunaidy Jurusan Teknik Informatika, Fakultas Teknologi Informasi Institut Teknologi
Lebih terperinciPenentuan Pola Sekuensial pada Data Transaksi Perpustakaan IPB Menggunakan Algoritma Graph Search Techniques
Penentuan Pola Sekuensial pada Data Transaksi Perpustakaan IPB Menggunakan Algoritma Graph Search Techniques Imas S. Sitanggang 1, Firman Ardiansyah 1 dan Hamzah Agung 2 1 Staf Pengajar Departemen Ilmu
Lebih 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 terperinciPENGGALIAN POLA CLOSED SEQUENTIAL PADA BASIS DATA YANG BERTAMBAH SECARA BERTAHAP
PENGGALIAN POLA CLOSED SEQUENTIAL PADA BASIS DATA YANG BERTAMBAH SECARA BERTAHAP Budanis Dwi Meilani* dan Arif Djunaidy** Jurusan Teknik Informatika ITS, Surabaya 60111, email: **budanis@yahoo.com, **adjunaidy@its.ac.id
Lebih 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 terperinciPEMODELAN POLA HUBUNGAN KEMAMPUAN LULUSAN UNIVERSITAS LANCANG KUNING DENGAN KEBUTUHAN DUNIA USAHA DAN INDUSTRI
PEMODELAN POLA HUBUNGAN KEMAMPUAN LULUSAN UNIVERSITAS LANCANG KUNING DENGAN KEBUTUHAN DUNIA USAHA DAN INDUSTRI Fana Wiza Program Studi Sistem Informasi Fakultas Ilmu Komputer Universitas Lancang Kuning
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 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 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 terperinciASSOCIATION RULES PADA TEXT MINING
Text dan Web Mining - FTI UKDW - BUDI SUSANTO 1 ASSOCIATION RULES PADA TEXT MINING Budi Susanto versi 1.2 Text dan Web Mining - FTI UKDW - BUDI SUSANTO 2 Tujuan Memahami algoritma Apriori dan FP-Growth
Lebih terperinciRANCANG BANGUN APLIKASI DATA MINING ANALISIS TINGKAT KELULUSAN MENGGUNAKAN ALGORITMA FP-GROWTH (Studi Kasus Di Politeknik Negeri Malang)
RANCANG BANGUN APLIKASI DATA MINING ANALISIS TINGKAT KELULUSAN MENGGUNAKAN ALGORITMA FP-GROWTH (Studi Kasus Di Politeknik Negeri Malang) Naufal Farras Hilmy 1, Banni Satria Andoko 2 Program Studi Teknik
Lebih terperinciPerancangan dan Pembuatan Modul Data Mining Market Basket Analysis pada Odoo dengan Studi Kasus Supermarket X
Perancangan dan Pembuatan Modul Data Mining Market Basket Analysis pada Odoo dengan Studi Kasus Supermarket X Stefani Natalia Hendratha 1, Yulia 2, Gregorius Satia Budhi 3 Program Studi Teknik Informatika,
Lebih terperinciPembersihan Data Lingkungan Pengembangan Sistem HASIL DAN PEMBAHASAN
3 Nilai fuzzy support bagi frequent sequence dengan ukuran k diperoleh dengan mengkombinasikan frequent sequence dengan ukuran k-1. Proses ini akan berhenti jika tidak memungkinkan lagi untuk membangkitkan
Lebih 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 terperinciBAB III METODE PENELITIAN. desaign dan coding program. Dibutuhkan waktu selama kurang lebih 8 bulan
19 BAB III METODE PENELITIAN 3.1 Waktu dan Tempat Dalam penelitian ini memerlukan waktu yang cukup lama, yaitu dalam membuat desaign dan coding program. Dibutuhkan waktu selama kurang lebih 8 bulan untuk
Lebih terperinciBAB I PENDAHULUAN. Teknologi Informasi sekarang ini telah digunakan hampir di semua aspek
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Teknologi Informasi sekarang ini telah digunakan hampir di semua aspek kehidupan, contohnya dalam sebuah perusahaan ritel. Dengan sistem yang telah terkomputerisasi,
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 terperinciASSOCIATION RULE MINING UNTUK PENENTUAN REKOMENDASI PROMOSI PRODUK
ASSOCIATION RULE MINING UNTUK PENENTUAN REKOMENDASI PROMOSI PRODUK Wiwit Agus Triyanto Fakultas Teknik, Program Studi Sistem Informasi Universitas Muria Kudus Email: at.wiwit@yahoo.co.id ABSTRAK Rekomendasi
Lebih terperinciKata kunci : Perpustakaan, Sistem Rekomendasi, Knowledge Discovery from Database (KDD), Association Rule Mining, Algoritma CT-PRO
PENERAPAN ASSOCIATION RULE MINING UNTUK REKOMENDASI PENELUSURAN BUKU DENGAN ALGORITMA CT-PRO Dwi Maryati Suryana, Sri Setyaningsih, Lita Karlitasari e-mail : dwimaryatisuryana@yahoo.com Program Studi Ilmu
Lebih terperinciBAB 1 PENDAHULUAN Latar Belakang
Bab 1 Pendahuluan BAB 1 PENDAHULUAN 1.1. Latar Belakang Pada era globalisasi saat ini, perkembangan teknologi tidak dapat dihindarkan dalam kehidupan manusia. Perkembangan teknologi yang ada, memiliki
Lebih 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 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 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 terperinciAnalisis Market Basket Dengan Algoritma Apriori dan FP-Growth
26 JURNAL GENERIC - Erwin. Analisis Market Basket Dengan Algoritma Apriori dan FP-Growth Erwin *, Jurusan Teknik Informatika, Fakultas Ilmu Komputer, Universitas Sriwijaya Abstrak Algoritma yang umum digunakan
Lebih terperinciPENGEMBANGAN ALGORTIMA APRIORI UNTUK PENGAMBILAN KEPUTUSAN TEKNIK INFORMATIKA
PENGEMBANGAN ALGORTIMA APRIORI UNTUK PENGAMBILAN KEPUTUSAN TEKNIK INFORMATIKA TESIS LISMARDIANA SEMBIRING NIM: 137038025 PROGRAM STUDI S2 TEKNIK INFORMATIKA FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
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 Rule Mining on Library Books Lending Data Using Combination of Apriori And Jaccard Similarity
Vol. 5, No. 2, Desember 26 ISSN: 2372, EISSN: 2545689 Association Rule Mining on Library Books Lending Data Using Combination of Apriori And Jaccard Similarity Muhammad Hezby Al Haq Ristu Saptono Sarngadi
Lebih terperinci