APLIKASI DATA MINING UNTUK MENAMPILKAN INFORMASI UNGGULAN PRODUK KERAJINAN TANGAN

Transkripsi

1 APLIKASI DATA MINING UNTUK MENAMPILKAN INFORMASI UNGGULAN PRODUK KERAJINAN TANGAN Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Gunadarma Jl. Margonda Raya no.100 Depok, Indonesia Abstrak Data Mining merupakan penambangan atau penemuan informasi baru dengan mencari pola atau aturan tertentu dari sejumlah data dalam jumlah besar yang diharapkan dapat mengatasi kondisi tersebut. Data Mining sendiri memiliki beberapa teknik salah satunya aturan asosiatif (Association Rule). Algoritma apriori adalah algoritma pengambilan data dengan teknik aturan asosiatif (Association Rule) untuk menentukan hubungan asosiatif suatu kombinasi item. (Association Rule yang dimaksud dilakukan melalui mekanisme penghitungan support dan confidence dari suatu hubungan item. Sebuah rule asosiasi dikatakan interesting jika nilai support lebih besar dari minimum support dan juga nilai confidence lebih besar dari minimum confidence. Pada penelitian ini dibuat suatu Aplikasi Data Mining dengan algoritma apriori guna untuk mengelola data kerajinan tangan yang ada, dan juga menganalisis kemungkinan pertumbuhan produk-produk kerajinan tangan yang baru yang lebih unggul dengan melakukan klasisifikasi dari data-data kerajinan yang sudah ditemukan. Kata Kunci : Data Mining, Algoritma Apriori, Kerajinan Tangan, Jawa Barat. 1. PENDAHULUAN Potensi industri kreatif khususnya kerajinan belum tergali secara dalam. Kurangnya perhatian pemerintah terhadap sektor industri kreatif di Jawa Barat, membuat pelaku industri kreatif belum tumbuh secara maksimal. Belum terintegrasinya lokasi pengrajin, belum tersedianya akses informasi untuk melihat produk unggulan yang menjadi ciri khas suatu daerah, juga belum tersedianya sarana untuk menambah ilmu pengetahuan dalam menciptakan produk yang kreatitif, inovatif serta bernilai jual tinggi bagi pengrajin bisa menyebabkan industri kerajinan akan menurun karena para peminat kerajinan kesulitan dalam mengakses informasi untuk melihat bagaimana bentuk dan perkembangan produk unggulan masing masing daerah (Karyadi Yedi, 2013). Data Mining merupakan penambangan atau penemuan informasi baru dengan mencari pola atau aturan tertentu dari sejumlah data dalam jumlah besar yang diharapkan dapat mengatasi kondisi tersebut. Data Mining sendiri memiliki beberapa teknik diantaranya aturan asosiasi. Teknik asosiasi terdiri dari beberapa metode, dan algoritma apriori adalah bagian dari metode asosiasi. Algoritma apriori adalah algoritma pengambilan data dengan aturan asosiatif Studi Pustaka (Association rule) untuk menentukan hubungan asosiatif suatu kombinasi item (Kusrini, 2007). Association Rule yang dimaksud dilakukan melalui mekanisme penghitungan support dan confidence dari suatu hubungan item. Sebuah rule asosiasi dikatakan interesting jika nilai support adalah lebih besar dari minimum support dan juga nilai confidence adalah lebih besar dari minimum confidence. Algoritma apriori ini akan cocok untuk diterapkan bila terdapat beberapa hubungan item yang ingin dianalisa. Salah satunya bisa diterapkan dalam bidang promosi dan penentuan strategi pemasaran. Pengolahan data dan analisis data dengan menggunakan metode Association Rule untuk mengelola data kerajinan tangan yang ada, dan juga menganalisis produk kerajinan tangan yang paling unggul dengan melakukan klasifikasi dari data kerajinan yang sudah ditemukan di daerah Jawa Barat khususnya untuk wilayah kabupaten atau kota Bekasi, Bogor dan Sumedang. 2. METODE PENELITIAN Penelitian dapat di deskripsikan sebagai usaha yang sistematik dan terorganisasi untuk menyelidiki sebuah masalah spesifik yang terjadi di lingkungan pekerjaan dan memerlukan solusi. Metode yang digunakan pada penelitian ini yaitu : Mengumpulkan data mengenai analisis sistem, mengumpulkan informasi mengenai Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Gunadarma 20

2 cara kerja proses data mining dalam memprediksi kerajinan tangan paling unggul di Jawa Barat khususnya untuk wilayah Bekasi, Bogor, Sumedang. Studi pustaka mengenai pengumpulan data dan informasi yang dibutuhkan dalam penulisan ini penulis dapatkan dari literatur buku, jurnal, serta situs di internet yang berhubungan dengan tema penelitian. 2. Studi Lapangan Untuk memperoleh data dan informasi tentang kerajinan yang ada di Jawa Barat, dilakukan Studi dengan cara mengunjungi tempat yang akan diteliti dan pengumpulan data dilakukan secara langsung. hal ini meliputi : a. Wawancara Wawancara adalah teknik pengumpulan data dengan cara mengadakan tanya jawab secara langsung dengan pihak Jabar Craft Center (JCC) dan pemilik usaha kerajinan. b. Observasi Observasi adalah teknik pengumpulan data dengan cara melakukan pengamatan secara langsung dan peninjauan langsung terhadap permasalahan yang diambil. Hasil penelitian ini sebagai dasar acuan untuk menganalisis teknik data mining yang sedang berjalan ataupun teknik data mining yang dibutuhkan dalam memprediksi kerajinan tangan paling unggul di Jawa Barat untuk wilayah Bekasi, Bogor dan Sumedang 3. PEMBAHASAN 3.1 Algoritma Apriori Algoritma apriori adalah sebuah algoritma pencarian pola yang sangat populer dalam teknik penambangan data (data mining). Algoritma ini ditujukan untuk mencari kombinasi itemset yang mempunyai suatu nilai keseringan tertentu sesuai kriteria atau filter yang diinginkan. Algoritma ini diajukan oleh R. Agrawal dan R. Srikant tahun Hasil dari algoritma apriori dapat digunakan untuk membantu dalam pengambilan kombinasi item. Contoh dari aturan asosiatif dari analisis pembelian di suatu toko adalah mengetahui besarnya kemungkinan seorang pelanggan untuk membeli roti bersamaan dengan keju. Dengan pengetahuan tersebut, pemilik toko bisa mengatur penempatan produknya atau merancang promosi pemasaran menggunakan kupon diskon untuk kombinasi produk tertentu. Analisis asosiasi menjadi terkenal karena aplikasinya untuk menganalisis isi keranjang belanjaan di pasar swalayan. Analisis asosiasi juga sering disebut dengan istilah market basket analysis. Analisis asosiasi dikenal juga sebagai salah satu teknik data mining yang menjadi dasar dari berbagai teknik data mining lainnya. Khususnya, salah satu tahap dari analisis asosiasi yang disebut analisis pola frekuensi tinggi (frequent pattern mining) yang menarik perhatian banyak peneliti untuk menghasilkan algoritma yang efisien. Dalam menentukan suatu association rule, terdapat suatu interestingness measure (ukuran ketertarikan) yang didapatkan dari hasil pengolahan data dengan perhitungan tertentu. Umumnya ada dua ukuran, yaitu: Support (nilai penunjang/pendukung) Suatu ukuran yang menunjukkan seberapa besar tingkat dominasi suatu item/itemset dari keseluruhan transaksi. Ukuran ini menentukan apakah suatu item/itemset layak untuk dicari confidence-nya (missal dari keseluruhan transaksi yang ada, seberapa besar tingkat dominasi yang menunjukkan bahwa item A dan B dibeli bersamaan). Confidence (nilai kepastian/keyakinan) Suatu ukuran yang menunjukkan hubungan antar 2 item secara conditional (misal, seberapa sering item B dibeli jika orang membeli item A). Kedua ukuran ini nantinya berguna dalam menentukan interesting association rules, yaitu untuk dibandingkan dengan batasan (threshold) yang ditentukan oleh user. Batasan tersebut umumnya terdiri dari min_support dan min_confidence, dimana hal tersebut ditempuh dengan cara sebagai berikut : keputusan pihak manajemen. Algoritma apriori Mencari semua frequent itemset yaitu itemset melakukan pendekatan iteratif yang dikenal dengan pencarian level-wise, dimana k-itemset dengan nilai support minimum support yang merupakan ambang batas yang diberikan oleh digunakan untuk mengeksplorasi atau user. Dimana itemset itu merupakan himpunan menemukan (k+1)-itemset. Oleh karena itu, item yaitu kombinasi produk yang dibeli. algoritma apriori dibagi menjadi beberapa tahap Mencari aturan asosiasi yang confidence dari yang disebut iterasi. Tiap iterasi menghasilkan frequent itemset yang didapat. pola frekuensi tinggi (frequent itemset). Sedangkan tahap selanjutnya adalah mencari rule-rule yang sesuai dengan target user yang 3.2 Analisa Asosiasi dengan Algoritma didapat dari proses association rule mining Apriori Analisis asosiasi atau association rule sebelumnya. mendeskripsikan Rule-rule kombinasi yang itemset didapat yang mining adalah teknik data mining untuk dijadikan pertimbangan di dalam membuat menemukan aturan asosiatif antara suatu kesimpulan. Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Gunadarma 21

3 Secara terperinci, berikut adalah langkahlangkah proses pembentukan Association Rule dengan algoritma apriori : Iterasi pertama support dari setiap item dihitung dengan menscan database. Support disini artinya jumlah transaksi dalam database yang mengandung satu item dalam C1. Setelah support dari setiap item didapat, Kemudian nilai support tersebut dibandingkan dengan minimum support yang telah ditentukan, jika nilainya lebih besar atau sama dengan minimum support maka itemset tersebut termasuk dalam large itemset. Item yang memiliki support di atas minimum support dipilih sebagai pola frekuensi tinggi dengan panjang 1 atau sering disebut Large 1- itemset atau disingkat L1. Iterasi kedua menghasilkan 2-itemset yang tiap set-nya memiliki dua item. sistem akan menggabungkan dengan cara, kandidat 2-itemset atau disingkat C2 dengan mengkombinasikan semua candidat 1-itemset (C1). Lalu untuk tiap item pada C2 ini dihitung kembali masing-masing support-nya. Setelah support dari semua C2 didapatkan, Kemudian dibandingkan dengan minimum support. C2 yang memenuhi syarat minimum support dapat ditetapkan sebagai frequent itemset dengan panjang 2 atau Large 2- itemset (L2). Itemset yang tidak termasuk dalam large itemset atau yang tidak memenuhi nilai minimum support tidak diikutkan dalam iterasi selanjutnya (di prune). Setelah itu dari hasil frequent itemset atau termasuk dalam Large 2-itemset tersebut, dibentuk aturan asosiasi (association rule) yang memenuhi nilai minimum support dan confidence yang telah ditentukan. 3.3 Metodologi Dasar Analisis Asosiasi Analisis Pola Frekuensi Tinggi Glass Painting,., Ukiran dari Batu } Tahapan ini mencari kombinasi item yang 2. D adalah Himpunan seluruh transaksi yang memenuhi syarat minimum dari nilai support dalam database. Nilai support sebuah item diperoleh dengan rumus berikut: Keterangan : JT(A)= Jumlah transaksi yang A T = Total Transaksi Sedangkan nilai support dari 2 item diperoleh dari rumus 2 berikut: Keterangan : JT (A-> B) = Jumlah transaksi yang mengandung A dan B T = Total Transaksi Pembentukan Aturan Assosiatif Setelah semua pola frekuensi tinggi ditemukan, barulah dicari aturan assosiatif yang memenuhi syarat minimum untuk confidence dengan menghitung confidence aturan assosiatif A -> B. Nilai confidence dari aturan A -> B diperoleh dari rumus berikut: Keterangan : JT (A -> B) = Jumlah transaksi yang mengandung A dan B ID Item yang dibeli Transaksi 1 Anyaman Pandan, Glass Painting, Lampu Hias, Kursi Rotan, Tas Kulit Ular 2 Glass Painting, Lampu Hias 3 Anyaman Pandan, Glass Painting, Ukiran dari Batu 4 Glass Painting, Anyaman Pandan, Boneka Kain 5 Anyaman Pandan, Ukiran dari Batu, Keramik JT = Jumlah transaksi yang mengandung A Sebagai contoh ambil suatu data transaksi seperti pada tabel berikut. Table 2.1 Contoh Daftar Transaksi Berdasarkan Tabel 2.1, terdapat definisidefinisi dari association rule, yaitu. 1. I adalah himpunan yang tengah dibicarakan Contoh : { Anyaman Pandan, Boneka Kain, tengah dibicarakan Contoh : {Transaksi 1, transaksi 2,, transaksi 5} 3. Itemset adalah Himpunan item atau item-item di I Contoh : Ada suatu himpunan X ={A,B,C} Itemset nya :{A};{B}:{C};{A,B};{A,C};{B,C};{A,B,C} 4. K- itemset adalah Itemset yang terdiri dari k buah item yang ada pada I. Intinya k itu adalah jumlah unsur yang terdapat pada suatu Himpunan. Contoh : 3-itemset adalah yang bersifat 3 unsur 5. Frequent itemset adalah itemset yang muncul sekurang-kurangnya sekian kali di D. Kata sekian biasanya di simbolkan dengan Ф. Ф merupakan batas minimum dalam suatu transaksi. Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Gunadarma 22

4 Contoh: Pertama tentukan Ф = 3, karena jika tidak ditentukan maka frequent itemset tidak dapat di hitung. Jika Ф = 3 untuk {Anyaman Pandan, Glass Painting}. Jika dihitung maka jumlah transaksi yang membeli Anyaman Pandan sekaligus membeli Glass Painting adalah 3. Karena 3 >= 3 maka {Anyaman Pandan, Glass Painting} merupakan frequent Itemset. 6. Fk adalah Himpunan semua frequent itemset yang terdiri dari k-item. Analisis Data Analisa data dilakukan setelah data terkumpul dan sesuai dengan kebutuhan. Oleh sebab itu, untuk menghasilkan kesimpulan berdasarkan aturan (rule) pada analisis data, diperlukan data transaksi yang telah dibeli konsumen. Analisis data tersebut dilakukan berdasarkan teknik aturan asosiasi menggunakan algoritma apriori dengan beberapa iterasi. Data yang diambil merupakan data transaksi yang masuk dan keluar di Dekranasda Provinsi Jawa Barat khususnya yang bertempat di Jabar Craft Center (JCC) pada bulan Februari tahun Data tersebut adalah data yang mewakili keseluruhan data transaksi khususnya untuk wilayah kabupaten atau kota Bekasi, Bogor dan Sumedang. Perancangan Data Flow Diagram Konteks (DFD) Level - 0 Pada Data Flow Diagram (DFD) level ini, proses yang terjadi pada DFD konteks atau proses yang ditunjukkan pada gambar 3.1 dikembangkan menjadi lebih terperinci, yang akan diperlihatkan pada gambar 3.2 berikut ini. Gambar 3.2 DFD Level -1 Data Flow Diagram (DFD) Level 2 Pada Data Flow Diagram (DFD) level - 2 ini, proses yang terjadi pada DFD level - 1 yaitu pada proses data mining dikembangkan menjadi lebih terperinci, yang akan diperlihatkan pada gambar 3.3 berikut ini. Gambar 3.1 DFD Level 0 Pada DFD level - 0 ini diperlihatkan proses masukan dan keluaran (input/output). Proses yang terjadi bermula dari user memasukkan data transaksi ke dalam sistem data mining, kemudian memproses dengan beberapa iterasi yang dilakukan menggunakan algoritma apriori. Yang akhirnya menghasilkan association rule yang itemnya saling berhubungan atau berkolerasi dan berdasarkan rule tersebut user mendapatkan informasi berupa kombinasi produk atau item yang sering dibeli oleh konsumen. Data Flow Diagram (DFD) Level - 1 Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Gunadarma 23

5 Gambar 3.3 DFD Level 2 Gambaran Alur Kerja (Flowchart) Sistem Entity Relationship Diagram (ERD) Entitas (entity) adalah suatu objek di dunia nyata yang memiliki atribut atau hal-hal yang berkaitan yang dapat dijadikan sebuah data. Hubungan (relationship) adalah aliran antar entitas yang didefinisikan untuk menyatakan keterhubungan satu entitas dengan entitas lainnya. Berikut ini adalah ERD yang merepresentasikan basis data pada aplikasi ini: Barang M/N Transaksi Kd_barang Kd_transaksi Nama Field Type Length Key Keteranga n Id Int 2 * Kode Barang username varchar 30 Nama Barang password varchar 30 Kabupaten /Kota Nm_barang Kab_kota Kd_barang Nm_barang Kab_kota Gambar 3.5 ERD Perancangan Basis Data Perancangan basis data ini berupa perancangan struktur table barang dan struktur table transaksi. Struktur Tabel Berikut adalah table-tabel yang terdapat dalam basis data yang digunakan dalam aplikasi. Struktur Tabel Admin Tabel ini berguna untuk menyimpan data admin, dengan struktur seperti pada table dibawah ini Tabel 3.1 Struktur Tabel Admin Gambar 3.4 Flowchart Sistem Tabel ini berguna untuk menyimpan data produk, dengan struktur seperti pada table dibawah ini Struktur Tabel Transaksi. Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Gunadarma 24

6 Image1 Image2 Prosiding Seminar Ilmiah Nasional Teknologi Komputer (SENATKOM 2015) Vol. 1, Oktober 2015 Nama Field kd_bar ang nm_bar ang kab_ko ta Type Length Ke y Keterangan varcha 5 Kode Barang r text 30 Nama Barang text 30 Kabupaten/Ko ta Tabel 3.2 Struktur Tabel Barang Gambar 3.6 Struktur Navigasi Aplikasi Data Mining Perancangan Tampilan Aplikasi Pada tahap ini, akan dibahas mengenai perancangan awal tampilan aplikasi. Tampilan Akses Masuk Program login program adalah tampilan awal yang muncul pada saat aplikasi pertama dijalankan bersamaan dengan tampilan menu utama, seperti pada gambar di bawah ini. Tabel ini berguna untuk menyimpan data penjualan produk, dengan struktur seperti pada Nama Field Type Leng Ke Keterangan th y kd_transak varchar 5 * Kode si Transaksi kd_barang varchar 5 ** Kode Barang nm_barang text 30 Nama Barang kab_kota text 30 Kabupaten/K ota tabel dibawah ini. Tabel 3.3 Struktur Tabel Transaksi Perancangan Struktur Navigasi Aplikasi Data Mining Masuk Label 1 Input 1 Input 2 Gambar 3.7 Tampilan Halaman Tampilan Menu Beranda Berikut adalah gambar perancangan menu utama yang akan muncul setelah pengguna berhasil login, menu yang ada akan tampil seperti gambar berikut. Masuk Beranda Label1 Data Barang Data Transaksi Data Mining Bantuan Tentang Label2 Gambar 3.8 Tampilan Menu Beranda Keluar Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Gunadarma 25

7 Image Image1 Image1 Image Image2 Image Image1 Prosiding Seminar Ilmiah Nasional Teknologi Komputer (SENATKOM 2015) Vol. 1, Oktober 2015 Tampilan Menu Data Barang Rancangan form ini berguna untuk memasukkan data barang ke dalam sistem, seperti pada gambar di bawah ini. Label 1 on 3 Label 2 on 4 Gambar 3.11 Tampilan Menu Data Mining Tampilan Menu Bantuan Berikut merupakan rancangan tampilan pada menu bantuan yang menjelaskan tentang fungsi dan kegunaan menu atau tombol yang terdapat pada aplikasi Combo Box Input Label1 Tabel Label2 Label 3 Paginati on Label 4 Label3 Gambar 3.9 Tampilan Data Barang Tampilan Menu Data Transaksi Tampilan dirancang untuk menampilkan daftar data transaksi yang akan atau telah dimasukan oleh pengguna, dengan tampilan seperti pada gambar di bawah ini. Gambar 3.12 Tampilan Menu Bantuan Tampilan Menu Tentang Berikut rarncangan tampilan menu tentang yang menjelaskan tentang aplikasi. Label 1 Label 2 on 3 on 4 Combo Box Input Tabel Label1 Label 3 Label 4 Gambar 3.10 Tampilan Data Transaksi Paginati on Label2 Gambar 3.13 Tampilan Menu Tentang Tampilan Menu Data Mining Berikut adalah perancangan tampilan yang terdapat pada menu data mining yang menampilkan hasil dari proses data mining. Label 1 Label 2 Tampilan Halaman Tambah Halaman tambah merupakan halaman ketika pengguna ingin menambahkan data barang atau data transaksi ke dalam basis data. Combo Box Input Label1 Label 3 Tabel Paginati on Label2 Label3 Label4 on3 Input1 Input2 Input3 on4 Label 4 Lely Prananingrum 1*, Budi Utami Fahnun 2, Irman Junianto 3, Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Gunadarma Label5 26

8 Image1 Prosiding Seminar Ilmiah Nasional Teknologi Komputer (SENATKOM 2015) Vol. 1, Oktober 2015 Gambar 3.14 Tampilan Halaman Tambah Tampilan Halaman Ubah Halaman ubah merupakan halaman ketika pengguna ingin mengubah data barang atau data transaksi yang sudah ada dalam basis data. Gambar 4.1 Menu Akses Masuk Menu Beranda Halaman beranda akan tampil ketika pengguna memasukan username dan password dengan benar, maka akan masuk pada halaman beranda yang merupakan halaman pertama yang akan dilihat oleh pengguna terdapat dalam aplikasi yang dirancang seperti berikut: Label1 Label2 Label3 Label4 Input1 Input2 Input3 on3 on4 Label5 Gambar 3.15 Tampilan Halaman Ubah 4. IMPLEMENTASI ANTAR MUKA Menu Akses Masuk Halaman ini tampil pertama sekali saat sistem dijalankan. Halaman akses dapat dilihat pada gambar di bawah. Gambar 4.2 Menu Beranda Menu Data Barang Halaman ini digunakan untuk memasukkan data barang ke dalam basis data sistem, implementasi dari tampilan dapat dilihat pada gambar dibawah ini. Gambar 4.3 Menu Data Barang Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Gunadarma 27

9 Menu Data Transaksi Halaman menu data transaksi digunakan untuk memasukkan data transaksi ke dalam basis data sistem, dengan implementasi seperti pada gambar di bawah ini. Gambar 4.6 Tampilan Menu Bantuan Menu Tentang Halaman ini menjelaskan tentang aplikasi, dengan implementasi seperti pada gambar di bawah ini. Gambar 4.4 Menu Data Transaksi Menu Data Mining Halaman menu data mining digunakan untuk menampilkan hasil proses data mining, dengan implementasi seperti pada gambar di bawah ini. Gambar 4.5 Menu Data Mining Menu Bantuan Halaman menu bantuan menjelaskan fungsi yang ada dalam aplikasi, dengan implementasi seperti pada gambar di bawah ini Gambar 4.7 Menu Tentang PENUTUP Kesimpulan Berdasarkan hasil penelitian dan pengujian aplikasi baik dengan uji mandiri maupun dengan kuisioner yang telah disebar ke beberapa responden mendapatkan nilai presentasi sebesar 86,1% menunjukkan bahwa aplikasi sudah berhasil dibuat untuk pencatatan data barang dan data transaksi. Menganalisis dan diimplementasikan dengan algoritma apriori untuk mendapatkan asosiasi antar barang pada analisis barang dari data-data yang berhasil dikumpulkan. Dari hasil asosiasi yang dihasilkan dapat membantu untuk mengetahui kebiasaan pembeli. Sehingga dapat digunakan untuk merencanakan strategi penjualan berdasarkan jenis barang yang tingkat konsumsinya tinggi serta dapat membantu merancang peletakkan produk, merancang dan lain-lain. Saran Kesempurnaan dari sistem selalu bersifat relatif berdasarkan cara pandang dan konsep dari setiap pemikiran yang berbeda serta memiliki alur yang bervariasi. Sistem pencatatan dan analisis ini dilakukan sebagai usaha dalam hal perbaikan dan pengembangan sistem khususnya pencatatan transaksi barang pada toko kerajinan tersebut. Selanjutnya sistem dapat dikembangkan oleh setiap staf pengurus toko kerajinan khususnya Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Gunadarma 28

10 yang menekuni cabang sistem informasi. Untuk itu dalam tugas akhir ini menyarankan agar staf pengurus dapat mengembangkan sistem tersebut dalam pengembangan yang dilakukan menggunakan algoritma lain yang sejenis. DAFTAR PUSTAKA 1. Bunafit Nugroho Aplikasi Pemrograman Web Dinamis dengan PHP dan MySQL. Yogyakarta: Gava Media. 2. Connolly, Thomas M. and Carolyn E. Begg Database System : A Practical Approach to Design, Implementation, and Management Fourth Edition. USA: Addison Wesley, Longman Inc., 3. Hoffer, Jeffrey A., Prescott, Mary B. dan McFadden, Fred R Modern Database Management, Sixth Edition. Prentice Hall, New Jersey. 4. Kusrini, & Emha Taufiq Luthfi Algoritma - Data Mining. Yogyakarta : Penerbit Andi. 5. Karyadi, Yedi Industri Kreatif Butuh Perhatian. Suara Karya Online : publikasi tanggal Jumat, 22 Februari Bandung. 6. Marshall B. Romney, Paul John Steinbart Accounting Information System, Ninth Edition, Prentice Hall 7. McLeod, Raymond Jr. and Schell, George Sistem Informasi Manajemen. Eighth Ediotion. Prentice-Hall, Inc. PT INDEKS, Jakarta 8. Kusrini, & Emha Taufiq Luthfi Algoritma - Data Mining. Yogyakarta : Penerbit Andi. 9. Wahyu Eko Tyas D Penerapan metode association rule menggunakan algoritma apriori untuk analisa pola data hasil tangkapan ikan. Jurnal Program Studi Ilmu Komputer, Universitas Brawijaya Malang. Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Gunadarma 29