Analisa Customer Service System Menggunakan Metode Data Mining Dengan Algoritma FP-Growth (Studi Kasus Di PT Batamindo Investment Cakrawala)
|
|
- Yohanes Lie
- 6 tahun lalu
- Tontonan:
Transkripsi
1 Analisa Customer Service System Menggunakan Metode Data Mining Dengan Algoritma FP-Growth (Studi Kasus Di PT Batamindo Investment Cakrawala) Hilda Herasmus STT Ibnu Sina; Jl.Teuku Umar Lubuk Baja; telp/fax : / Program Studi Teknik Informatika, STT Ibnu Sina, Batam hildaherasmus@gmail.com 37 Abstrak Banyaknya data permintaan pelanggan yang ditampung melalui sistim Customer Service Online System (CSOS) dalam melakukan pelayanan kepada rutin kepada pelanggan di Kawasan Industri Batamindo (KIB). Data tersebut dapat diolah lebih lanjut menjadi suatu informasi yang berguna bagi Manajemen dalam pengambilan keputusan. Dengan adanya data Mining diharapkan dapat membantu PT KIB dalam menggali informasi yang terkandung didalam suatu permintaan pelayanan menjadi sebuah pengetahuan (knowledge) yang baru. Association Rule, yaitu suatu prosedur dalam Market Analysis untuk mencari pengetahuan berupa hubungan kebiasaan pelanggan dalam meminta pelayanan berupa perbaikan gedung, informasi data dan konsultasi. Algoritma FP Growth merupakan algoritma yang sangat efisien dalam mencari frequent itemset dalam sebuah kumpulan data dengan membangkitkan struktur prefix-tree. Data yang diolah adalah data permintaan pelanggan dari tahun 2016 dengan jumlah data 264 permintaan. Kata kunci Pelayanan Pelanggan, data mining, association rule, algoritma fp-growth, fp-tree. 1. PENDAHULUAN Perkembangan teknologi pada saat ini telah mempengaruhi semua aktivitas manusia dan memberikan pengaruh positif terhadap produktifitas kerja disegala aspek kehidupan. Banyaknya persaingan dalam dunia bisnis khususnya industri penjualan menuntut para pengembang menemukan suatu strategi yang dapat meningkatkan penjualan dan pemasaran produk yang dijualnya (Dewi Kartika, 2013). Perkembangan dalam teknologi pengumpulan dan penyimpanan data serta pengolahan dengan dengan lebih cepat telah memudahkan organisasi untuk mengumpulkan sejumlah data berukuran besar sehingga menghasilkan informasi yang sangat berguna. Data Mining adalah suatu proses untuk memperoleh informasi penting yang sangat berguna dari informasi yang sebelumnya tidak diketahui dan pengetahuan yang diperoleh informasi yang berharga dan dapat dimengerti dari sebuah data (Yi Zeng et al, 2015). Algoritma Data Mining diketahui sebagai pengolah data yang dapat mengolah data dalam jumlah yang besar. Karena ketersediaan sejumlah besar data dan kebutuhan untuk mengubah data tersebut menjadi informasi yang berguna dan pengetahuan. Data Mining telah berkembang menjadi teknik yang paling banyak digunakan di masyarakat secara keseluruhan (Hamsathvani et al, 2014). Secara umum, teori FP-Growth telah digunakan dalam banyak aplikasi seperti medicine, pharmacology, business industry, banking, market research, engineering design, meteorology, vibration analysis dan bidang pekerjaan lainnya. Data Mining adalah suatu proses untuk mengevaluasi dari persepsi yang berbeda dan di simpulkan menjadi sebuah informasi yang berguna. Kumpulan dari informasi yang sangat berguna ini bisa digunakan untuk membuat strategi bisnis untuk meningkatkan keuntungan (Shivam Sidhu et al, 2014). Algoritma FP- Growth adalah bagian dari teknik asosiasi pada Data Mining. FP-Growth sendiri adalah salah satu alternatif Algoritma yang dapat digunakan untuk menentukan himpunan data yang paling sering muncul (frequest itemset) dalam sekumpulan data (Ali Ikhwan et al, 2015). Jurnal Teknik Ibnu Sina (JT-IBSI)
2 38 Analisa Customer Service System Menggunakan Metode Data Mining Dengan Algoritma FP-Growth (Studi Kasus Di PT Batamindo Investment Cakrawala) 2. METODE PENELITIAN 2.1 Knowledge Discovery in Database (KDD) Knowledge Discovery in Database (KDD) adalah proses menentukan informasi yang berguna serta pola-pola yang ada dalam data. Data Mining merupakan salah satu langkah dari serangkaian proses iterative KDD. Tahapan proses KDD dapat dilihat pada gambar 2.1(Ali Ikhwan et al, 2015). Gambar 1. Tahapan proses KDD Awalnya Data Mining juga dikenal dengan nama Knowledge Discovery in Database (KDD). Knowledge Discovery in Databases adalah proses mencari dan mengidentifikasi pola (pattern) dalam database. Pola yang ditemukan bersifat valid, potentially useful (sangat nyata digunakan) dan ultimately understandable (bisa digunakan dengan segala aspek) Data Mining adalah ekstraksi informasi atau pola penting atau menarik dari data yang ada di database yang besar (Abdullah Saad Almalaise Alghamdi, 2011). Menurut Rizka NA (2011), Proses KDD secara garis besar terdiri dari: 1. Data Selection Pada proses ini dilakukan pemilihan himpunan data, menciptakan himpunan data target, atau memfokuskan pada subset variable (sampel data) dimana penemuan (discovery) akan dilakukan. Hasil seleksi disimpan dalam suatu berkas yang terpisah dari basis data operasional. 2. Pre-Processing dan Cleaning Data Pre-Processing dan Cleaning Data dilakukan membuang data yang tidak konsisten dan noise, duplikasi data, memperbaiki kesalahan data, dan bisa diperkaya dengan data eksternal yang relevan. 3. Transformation Proses ini mentransformasikan atau menggabungkan data ke dalam yang lebih tepat untuk melakukan proses mining dengan cara melakukan peringkasan (agregasi) 4. Data Mining Proses Data Mining yyaitu proses mencari pola atau informasi menarik dalam data terpilih dengan menggunakan teknik, metode atau algoritma tertentu sesuai dengan tujuan dari proses KDD secara keseluruhan 5. Interpretation / Evaluasi Proses untuk menerjemahkan pola-pola yang dihasilkan dari Data Mining. Mengevaluasi (menguji) apakah pola atau informasi yang ditemukan bersesuaian atau bertentangan dengan fakta atau hipotesa sebelumnya. Pengetahuan yang diperoleh dari pola-pola yang terbentuk dipresentasikan dalam bentuk visualisasi Data Mining Istilah Data Mining dan KDD sering kali digunakan secara bersamaan untuk menjelaskan proses pencarian Knowledge yang tersembunyi di dalam Database. Sebenarnya, kedua istilah tersebut memiliki konsep yang berbeda akan tetapi berkaitan satu sama lainnya. Dan, salah satu tahapan dalam keseluruhan proses KDD adalah Data Mining.
3 Herasmus 39 Perkembangan Data Mining (DM) yang pesat tidak dapat lepas dari perkembangan teknologi informasi yang memungkinkan data dalam jumlah besar terakumulasi (Kavitha. M dan Tamil Selvi ST, 2016). Menarik untuk diingat bahwa kata Mining sendiri berarti usaha mendapatkan sedikit barang berharga dari sejumlah besar material dasar. Dari definisi-definisi itu, dapat dilihat ada beberapa faktor yang mendefinisikan Data Mining : 1. Data Mining adalah proses otomatis terhadap data yang dikumpulkan di masa lalu. 2. Data Mining memiliki objek berupa data yang berjumlah besar dan kompleks. 3. Data Mining memiliki untuk menemukan hubungan-hubungan atau pola-pola yang mungkin memberikan indikasi yang bermanfaat 4. Data Mining bukanlah suatu bidang yang sma sekali baru yang memiliki banyak aspek dan teknik dari bidang-bidang ilmu yang lainnya Tahapan dalam Data Mining Menurut Ali Ikhwan et al 2015), ada empat tahap yang dilalui dalam Data Mining antara lain: 1. Precise statement of the problem Sebelum mengakses perangkat lunak Data Mining, seorang analis harus memiliki kejelasan perihal pertanyaan apa yang akan ingin dijawabnya. Jika tidak ada formula yang tepat untuk problematika yang ada maka itu hanya akan membuang-buang waktu dan uang dalam membuat solusinya. 2. Initial Exploration Tahap ini dimulai dengan mempersiapkan data yang juga termasuk kedalam proses Data Mining Cleaning (misalnya : mengedentifikasi dan menyikirkan data yang dikodekan salah), transformasi data, memilih subset record, data set dan langkah awal dari seleksi proses. Mendeskripsikan dan memvisualisasikan data adalah kunci dari tahap ini. 3. Model building and validation Tahap ini melibatkan pertimbangan terhadap ragam permodelan dan memilih yang terbaik bagi performasi prediktif. 4. Deployment Memilih aplikasi yang tepat berikut permodelan untuk membuat (Generate) prediksi Pengelompokan Data Mining Menurut Rizka NA (2011), berdasarkan tugas yang dapat dilakukan, maka Data Mining dibagi menjadi beberapa Kelompok Proses, yaitu : 1. Kelompok Proses Deskripsi. Untuk melihat gambaran dari keadaan berdasarkan data yang tersedia. 2. Kelompok Proses Estimasi Estimasi hampir sama dengan klasifikasi, kecuali variabel target estimasi lebih kearah numerik daripada kearah kategori. Estimasi memberikan perkiraan terhadap informasi yang ada dan memberikan perkiraan ke depan berdasarkan informasi atau data yang telah ada. Model Estimasi yang dihasilkan dapat digunakan untuk kasus baru lainnya. 3. Kelompok Proses Prediksi Prediksi hampir sama dengan klasifikasi dan estimasi, kecuali bahwa dalam prediksi nilai dari hasil akan ada di masa mendatang. 4. Kelompok Proses Klasifikasi Dalam proses klasifikasi ditentukan oleh variabel kategori. Sebagai contoh, penggolongan pendapatan dapat dipisahkan dalam tiga kategori, yaitu pendapatan tinggi, pendapatan sedang dan pendapatan rendah. 5. Kelompok Proses Pengklusteran Pengklusteran merupakan pengelompokan record, pengamatan atau memperhatikan dan membentuk kelas objek-objek yang memiliki kemiripan Jurnal Teknik Ibnu Sina (JT-IBSI), Sekolah Tinggi Teknik Ibnu sina Batam
4 40 Analisa Customer Service System Menggunakan Metode Data Mining Dengan Algoritma FP-Growth (Studi Kasus Di PT Batamindo Investment Cakrawala) 6. Kelompok Proses Asosiasi Proses Asosiasi adalah untuk menemukan atribut yang muncul dalam satu waktu. Di dalam proses Asosiasi ada terdapat analisis aosiasi yang disebut dengan pola Frequent Pattern Mining (Pola Frekuensi Tinggi). Penting atau tidaknya suatu aturan asosiasi dapat diketahui dari dua parameter yatiu support (nilai penunjang) yaitu berupa persentase kombinasi item tersebut dalam database dan nilai Confidence. 2.3 Tahapan Asosiasi 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 frequensi tinggi (frequent pattern mining) menarik perhatian banyak peneliti untuk menghasilkan algoritma yang efisien. Penting tidaknya suatu aturan assosiatif dapat diketahui dengan dua parameter, support (nilai penunjang) yaitu persentase. Kombinasi item tersebut dalam database dan confidence. Tahapan dalam analisa Asosiasi adalah sebagai berikut : 1. Data Preparation. Data cleaning dan preparation merupakan proses krusial yang memembutuhkan 80% usaha untuk merekayasa data. Proses preparation data terdiri dari tiga aspek, yakni: a. Melengkapkan data yang tidak lengkap (incomplete), yaitu data yang kekurangan nilai atribut atau hanya mengandung agregat data (contoh : address = " "). b. Membersihkan data Noise, yaitu data yang masih mengandung error dan outliers. c. Membersihkan data yang tidak konsisten (inconsistent), yaitu data yang mengandung discrepansi dalam code. 2. Proses Preparation dalam sistem Mining dapat memilih data yang relevan dan mengurangi data yang tidak berkualitas sehingga akan lebih efisien karena menghasilkan dataset yang lebih sedikit daripada dataset yang asli Algoritma FP-Growth FP-Growth adalah salah satu alternatif algoritma yang dapat digunakan untuk menentukan himpunan data yang paling sering muncul (frequent itemset) dalam sebuah kumpulan data. FP-growth menggunakan pendekatan yang berbeda dari paradigma yang digunakan pada algoritma Apriori (Ali Ikhwan et al, 2015). FP-Growth adalah salah satu alternatif algoritma yang dapat digunakan untuk menentukan himpunan data yang paling sering muncul (frequent item set) dalam sekumpulan data. Algoritma FP-Growth merupakan pengembangan dari algoritma Apriori. FP-Growth adalah metode yang sering itemset pertambangan tanpa Generasi calon. Ini membangun sebuah struktur data yang sangat padat (FP-tree) untuk kompres database transaksi asli Aplikasi Teknik Data Mining Aplikasi teknik Data Mining sendiri hanya merupakan salah satu bagian dari proses Data Mining. Ada beberapa teknik Data Mining yang sudah umum dipakai. Kita akan membahas lebih jauh mengenai teknik-teknik yang ada di sesi berikutnya. Perlu diperhatikan bahwa ada kalanya teknik-teknik Data Mining umum yang tersedia di pasar tidak mencukupi untuk melaksanakan Data Mining di bidang tertentu atau untuk data tertentu. Sebagai contoh akhir-akhir ini dikembangkan berbagai teknik Data Mining baru untuk penerapan di bidang bio informatika seperti analisa hasil microarray untuk mengidentifikasi DNA dan fungsi-fungsinya Pengumpulan Data Data penelitian ini dikumpulkan dari observasi, buku buku dan situs yang berhubungan dengan Data Mining khususnya untuk prediksi atau peramalan. Dalam hal ini penulis mengambil database pada perusahaan perbankan yang Go Public Indonesia. Sampel yang digunakan dalam penelitian ini adalah Permintan Pelanggan pada salah satu perusahaan Pengelola Kawasan
5 Herasmus 41 Industri yang memiliki kriteria tertentu. Metode pengambilan sampel yang digunakan adalah purposive sampling di mana pengambilan perusahaan sampel dilakukan berdasarkan kriteria yaitu: 1. Permintaan pelanggan yang ada di Kawasan Industri Batamindo tahun 2016, 2. Perusahaan bergerak dalam bidang Industri, 3. Data Permintaan dan Pelayanan Pelanggan dari setiap divisi. Data yang digunakan dalam penelitian ini yaitu data sekunder berupa laporan permintaan pelanggan tahunan yang didapat melalui Customer Service Online System tahun Analisa Masalah. Dari hasil studi literatur yang dilakukan dan data-data yang dikumpulkan, Selanjutnya dilakukan tahapan analisis. Pada tahap ini, dianalisa lebih mendalam tentang prediksi jumlah pelayanan yang diberikan kepada pelanggan Pengolahan Data dengan Algoritma Dari hasil pengumpulan data selanjutnya dilakukan analisis untuk menentukan variabelvariabel yang akan dijadikan input pada Software RapidMiner Studio 7.4. Dimana variablevariabel yang ada diolah sesuai jumlah permintaan dari setiap pelanggan Pengolahan Data dengan Software RapidMiner Studio 7.4 Pada tahap ini data diolah dan variabel yang sudah diperoleh akan diproses dengan menggunakan bantuan Software RapidMiner Studio 7.4. Data yang didapatkan berdasarkan permintaan pelanggan setiap hari, yang dikelompokan berdasarkan pelayanan yang disediakan oleh setiap bagian di perusahaan Evaluasi Akhir Pada tahap evaluasi akhir, hasil dari pengolahan data dengan bantuan Software RapidMiner Studio 7.4 untuk memperoleh nilai statistic yang akan dibandingkan dengan hasil prediksi yang selama ini dilakukan dengan sistem rata-rata (Mean). Sehingga kita dapat menarik suatu kesimpulan terhadap hasil prediksi mana yang lebih mendekati, atau errornya yang lebih kecil. Penelitian adalah pekerjaan ilmiah yang bermaksud mengungkapkan rahasia ilmu secara obyektif, dengan dibentengi bukti-bukti yang lengkap dan kokoh. Pengertian masalah penelitian yang dapat diangkat untuk diteliti secara ilmiah memiliki unsur-unsur sebagai berikut: a. Pendekatan ilmiah masalah penelitian harus tampak dan dirasakan sebagai suatu tantangan bagi peneliti untuk dipecahkan dengan mempergunakan keahlian atau kemampuan profesionalnya b. Masalah penelitian merupakan kondisi yang menunjukkan kesenjangan (gap) antara peristiwa atau keadaan nyata (das sain) dengan tolok ukur tertentu (das sollen) sebagai kondisi ideal atau seharusnya bagi peristiwa atau keadaan tertentu. c. Masalah penelitian adalah keraguan yang timbul terhadap suatu peristiwa atau keadaan tertentu berupa kesangsian tentang tingkat kebenarannya suatu peristiwa atau keadaan Untuk membantu peneliti muda dalam usaha mennyeleksi dan merumuskan masalah dan submasalah yang patut dibahas secara ilmiah d. Masalah penelitian sedapat mungkin menghasilkan sesuatu yang baru. e. Masalah penelitian harus dipilih yang dapat dihimpun datanya secara lengkap dan obyektif. f. Masalah penelitian tidak boleh terlalu luas, tetapi juga tidak boleh terlalu sempit. Di dalam melakukan penelitian untuk mendapatkan hasil yang maksimal, penulis mengikuti Metode Penelitian yang telah ditetapkan. Metodologi Penelitian ini dibuat untuk mengidentifikasi permasalahan, analisa permasalahan dan untuk mencari penyelesaian masalah di dalam strategi Pelayanan Pelanggan di Kawasan Industri Batamindo. Dalam Metodologi Penelitian ada urutan kerangka kerja yang harus diikuti. Urutan kerangka kerja ini merupakan gambaran dari langkah-langkah yang harus dilalui agar penelitian Jurnal Teknik Ibnu Sina (JT-IBSI), Sekolah Tinggi Teknik Ibnu sina Batam
6 42 Analisa Customer Service System Menggunakan Metode Data Mining Dengan Algoritma FP-Growth (Studi Kasus Di PT Batamindo Investment Cakrawala) bisa berjalan dengan baik. Ini sangat perlu ditetapkan supaya penelitian dapat dilakukan dengan terstruktur. Langkah yang akan dilakukan harus mencakup mulai dari mempelajari masalah sampai dengan adanya suatu sistem yang dapat dihasilkan sehingga masalah dapat teratasi. Maka di sini akan ditetapkan beberapa tahapan yang ada pada gambar 2 (Ali Ikhwan et al, 2015) Pengumpulan Data Analisa Data Analisa Sistem Perancangan Sistem Implementasi Sistem Pengujian Sistem Gambar 2. Kerangka kerja 3. HASIL DAN PEMBAHASAN 3.1 Pembentukan Frequent Pattern Tree (FP-Tree) Setelah item item frequent didapat yang memenuhi nilai support count maka pembangkitan FP Tree dapat dilakukan. data akan diolah secara manual sesuai dengan konsep data mining dengan menggunakan algoritma frequent pattern growth (FP Growth). Setelah data diurut dapat kita lanjut pada tahap pembangkitan FP Tree. Pembacaan TID 1 atau transaksi pertama, lalu dilanjutkan pembacaan TID 2 (transaksi kedua), dan dilanjutkan transaksi selaanjutnya hingga transaksi terakhir. Dengan menggunakan Frequent Pattern Growth maka dapat dilanjutkan dengan proses pembangkit FP Tree dari data permintaan pelanggan yang digunakan, pembacaan TID atau pembangkit FP Tree dapat dilihat dari penjalasan berikut : Pembacaan TID 1 Pada transaksi pertama atau TID 1 itemnya adalah { FA, DA, CA } yang kemudian membentuk lintasan FA, DA, CA. sehingga terbentuk lintasan -FA, DA, CA dengan support count awal 1, pembacaan TID 1 dapat dilihat pada gambar 3. lalu dilanjutkan dengan pembacaan TID 2. FA :1 DA:1 CA:1 Gambar 3. Hasil Pembentukan FP Tree Setelah Pembacaan TID 1
7 Herasmus 43 Pembacaan TID 2 Pada transaksi kedua atau TID 2 terdapat item {FA}, sehingga support count bertambah menjadi {FA:2, DA:1,CA:1). Pembacaan TID 2 dapat dilihat pada gambar 4. yang akan dilanjutkan pembacaan TID 3. FA :2 DA:1 DA:1 DA:2 DA:2 FA :1 CA:1 CA:2 CA:2 CA:1 TID 2 TID 3 TID 4 Gambar 4.Hasil Pembentukan FP Tree Setelah Pembacaan TID 2, TID 3 dan TID 4 Pembentukan TID 3 Pada transaksi ketiga atau TID 3 terdapat item {FA, DA, CA}, sehingga terjadi penambahan support count pada lintasan yang sudah ada menjadi {FA:3, DA:2, CA:2}, pembacaan TID 3 dapat dilihat pada gambar 4., yang akan dilanjutkan pembacaan TID 4. Pembacaan TID 4 Pada transaksi keempat atau TID 4 terdapat item {DA, FA, CA} yang kemudian menambah lintasan transaksi baru dengan support count {DA:1, FA:1, CA:1}, pembentukan FP-Tree dari TID 4 dapat dilihat pada gambar 4., yang akan dilanjutkan pembacaan TID 5 Pembacaan TID 5 Pada transaksi kelima atau TID 5 terdapat item {FA, DA, CA}, pembentukan FP Tree dari TID 5 terjadi penambahan support account menjadi {FA:4, DA:3, CA:3,, Pembacaan TID 5 dapat dilihat pada gambar 4.5, yang akan dilanjutkan pembacaan TID 6. FA :4 DA:1 FA :4 DA:2 FA :5 DA:2 DA:3 FA :1 DA:3 FA :2 FA :2 CA:3 CA:1 CA:3 CA:2 CA:4 CA:2 TID 5 TID 6 TID 7 Gambar 5. Hasil Pembentukan FP Tree Setelah Pembacaan TID 5, TID 6, dan TID 7 Pembacaan TID 6 Pada transaksi keenam atau TID 6 terdapat item {DA, FA, CA}, sehingga menambah support count pada simpul menjadi {DA:2, FA:2, CA:2}, pembentukan FP Tree dari TID 6 dapat dilihat pada gambar 5., yang akan dilanjutkan pembacaan TID 7. Pembacaan TID 7 Pada transaksi ketujuh atau TID 7 terdapat item {FA, DA, CA} sehingga terjadi penambahan support count pada simpul menjadi{fa:5,, CA:4}. Pembentukan FP Tree dari TID 7 dapat dilihat pada gambar 5., dilanjutkan pembacaan TID 8. Pembacaan TID 8 Pada transaksi kedelapan atau TID 8 terdapat item {DA, FA, CA}, sehingga terjadi penambahan support count pada simpul menjadi {DA:3, FA:2, CA:2} pembentukan FP Tree dari TID 8 dapat dilihat pada gambar 6. Jurnal Teknik Ibnu Sina (JT-IBSI), Sekolah Tinggi Teknik Ibnu sina Batam
8 44 Analisa Customer Service System Menggunakan Metode Data Mining Dengan Algoritma FP-Growth (Studi Kasus Di PT Batamindo Investment Cakrawala) Pembacaan TID 9 Pada transaksi kedelapan atau TID 9 itemnya adalah {DA, FA, CA} sehingga terjadi penambahan support count pada simpul menjadi {, FA:3, CA:3}, pembentukan FP Tree dari TID 9 dapat dilihat pada gambar 6. FA :5 DA:3 FA :5 FA :6 FA :2 DA:5 CA:4 CA:2 CA:4 CA:3 CA:5 CA:3 TID 8 TID 9 TID 10 Gambar 6. Hasil Pembentukan FP Tree Setelah Pembacaan TID 8, TID 9 dan TID 10 Pembacaan TID 10 Pada transaksi kedelapan atau TID 10 itemnya adalah {FA, DA, CA} yang menambah support count pada simpul menjadi {FA:6, DA:5, CA:5}, pembentukan FP Tree dari TID 10 dapat dilihat pada gambar 6. Ada 10 pembacaan TID dari hasil transaksi dengan terbentuknya 10 FP Tree. Setelah proses pembangkitan FP Tree ini, proses penerapan FP Growth dapat dilanjutkan Penerapan FP Growth Setelah dilakukan pembangunan FP Tree dari sekumpulan transaksi yang telah dilakukan, pada tahapan di atas maka dilanjutkan dengan tahap FP Growth untuk mencari frequent itemset yang memenuhi syarat. Langkah FP Growth ini sebanyak 3 langkah utama yaitu Conditional Pattern Base, pembangkitan Conditional FP Tree, dan pencarian Frequent Itemset Pembangkitan Conditional Pattern Base Setiap simpul dalam FP-Tree mengandung tiga informasi penting yaitu label item yang menginformasikan jenis item yang direpresentasikan simpul tersebut, support count yang merepresentasikan jumlah lintasan transaksi yang melalui simpul tersebut dan pointer penghubung yang menghubungkan simpul-simpul dengan label item sama antar lintasan yang ditandai dengan garis putus-putus. Tabel Header FP-Tree Kode Frekuensi Pointer FA 9 DA 9 CA 8 Gambar 7. Pembangkitan Conditional FP-Tree
9 Herasmus 45 Tabel 1. Conditional Pattern Base Item Conditional Pattern Base FA {} DA {FA:6} CA {(FA:6, DA:5, CA:5), (, FA:3)} Pembangkitan Conditional FP-Tree Setelah mencari frequent itemset untuk beberapa akhiran (Suffix). Untuk menentukan frequent itemset, maka perlu ditentukan terlebih dahulu lintasan yang berakhiran dengan Support Count terkecil. Pada tahap pembangkitan Conditional Pattern Base dilakukan melalui cabang pohon dengan Support Count terkecil, yaitu CA berturut-turut ditentukan juga yang berakhiran DA dan FA. Untuk membangkitkan Conditional FP-Tree, maka harus dibuang lintasan yang mengandung Suffix CA, DA dan FA. Hal ini akan dijelaskan dari gambar di bawah ini. FA :6 FA :6 FA :6 DA:5 DA:5 CA DA FA Gambar 8. Conditional FP Tree dengan Suffix CA, DA dan FA Pada Gambar 8. ini merupakan lintasan transaksi yang berakhiran CA, terlihat dengan pembacaan CA sebanyak 8 kali dari 2 lintasan, pada lintasan pertama CA melewati jalur FA, DA dan masuk ke CA, lintasan ke dua dari masuk DA, FA dan langsung masuk ke CA. Proses dalam membangkitkan Conditionall Pattern Base yang mengandung Suffix DA dapat dilihat juga pada gambar 8. Pada gambar 8. ini merupakan lintasan transaksi yang berakhiran DA, terlihat dengan pembacaan DA sebanyak 6 kali pada seluruh lintasan, dan melewati 2 jalur utama. Pada jalur pertama CA langsung masuk ke DA sebanyak 6 transaksi, lintasan kedua dari masuk ke DA sebanyak 1 transaksi. Proses dalam membangkitkan Conditionall Pattern Base yang mengandung Suffix FA dapat dilihat pada gambar 8. Pada gambar 8. ini merupakan lintasan transaksi yang berakhiran CA, terlihat dengan pembacaan DA sebanyak 9 kali pada dua lintasan, dan melewati 2 jalur utama. Pada lintasan pertama langsung masuk ke FA sebanyak 6 transaksi, dan ke dua dari masuk ke DA sebanyak 4 transaksi Pencarian Frequent Itemset Setelah memeriksa Frequent Itemset untuk akhiran (Suffix), maka dapatlah hasil secara keseluruhan yang terlihat dalam tabel 2. Suffix CA DA FA Tabel 2. Tabel Hasil Frequent Itemset Frequent set {CA}, {CA, DA}, {CA, FA}, {CA, DA, FA} {DA}, {DA, CA}, {DA,FA} {FA} Pencarian Association Rules dilakukan melalui dua tahap yaitu pencarian frequent itemset dan penyusutan rules. Penting tidaknya suatu Association Rules dapat diketahui dengan dua parameter, yaitu Support (nilai penunjang) dengan nilai Minimum Support 80 % dan Confidence (nilai kepastian) dengan Minimum Confidence 50 %. Support adalah ukuran yang menunjukan tingkat dominasi itemset dari keseluruhan transaksi. Jurnal Teknik Ibnu Sina (JT-IBSI), Sekolah Tinggi Teknik Ibnu sina Batam
10 46 Analisa Customer Service System Menggunakan Metode Data Mining Dengan Algoritma FP-Growth (Studi Kasus Di PT Batamindo Investment Cakrawala) Setelah didapat Frequent Itemset, selanjutnya membuat rules dengan cara menghitung confidence dari tiap kombinasi rule. Dari 18 itemset yang dihasilkan pada tabel 4.3 Itemset yang dihitung minimal berisi dua item dari semua rule yang dihasilkan jika A maka B, yang terdiri dari 12 subsets, yaitu : {CA, DA}, {CA, FA}, {CA, DA, FA}, {CA, FA, DA},{DA, CA}, {DA,FA}, {DA, CA, FA}, {CA, FA, CA}, {FA,CA}, {FA, DA}, {FA, CA, DA}, {FA, DA, CA}. Hanya kombinasi yang lebih besar atau sama dengan minimum confidence yang akan diambil atau strong association rule saja. Rumus untuk menghitung Support dan confidence menggunakan rumus: Jumlah Transaksi yang Mengandung Adan B Support(A, B) = x 100% Total Transaksi Jumlah Transaksi yang Mengandung A dan B Confidence(A B) = x 100% Jumlah Transaksi yang Mengandung A Perhitungan nilai Support setiap Association Rule yang dilalui, maka didapat hasil yang dapat dilihat pada tabel 3. Tabel 3. Perhitungan Nilai Support Setiap Association Rule No Jika Maka Support (% ) 1 CA DA 8/10 = 80 % 2 CA FA 8/10 = 80 % 3 CA DA,FA 8/10 = 80 % 4 DA CA 8/10 = 80 % 5 DA FA 8/10 = 80 % 6 DA FA, CA 8/10 = 80 % 7 DA,CA FA 8/10 = 80 % 8 FA CA 8/10 = 80 % 9 FA DA 8/10 = 80 % 10 FA CA, DA 8/10 = 80 % 11 FA DA, CA 8/10 = 80 % 12 FA, DA CA 8/10 = 80 % Adapun perhitungan nilai Confidence setiap association rule yang dilalui maka diperolehlah hasil secara ke seluruhan yang terlihat dalam tabel 4. Tabel. 4. Perhitungan Confidence Setiap Assosiation Rule No Jika Maka Confidence (%) 1 CA DA 8/8 = 100 % 2 CA FA 8/8 = 100 % 3 CA DA,FA 8/8 = 100 % 4 DA CA 8/9 = 89 % 5 DA FA 8/9 = 89 % 6 DA FA, CA 8/9 = 89 % 7 DA,CA FA 8/8 = 100 % 8 FA CA 8/9 = 89 % 9 FA DA 8/9 = 89 % 10 FA CA, DA 8/9 = 89 % 11 FA DA, CA 8/9 = 89 % 12 FA, DA CA 8/8 = 100 %
11 Herasmus 47 Setelah diketahui hasil Support dan Confidence, maka kita akan menggabungkan hasilnya seperti dapat kita lihat pada tabel 4. hasil dari evaluasi keseluruhan Association Rule yang didapat. Tabel 5. Hasil Evaluasi Rules No Jika Maka Support (% ) Confidence (%) 1 CA DA 80% 100% 2 CA FA 80% 100% 3 CA DA,FA 80% 100% 4 DA CA 80% 89% 5 DA FA 80% 89% 6 DA FA, CA 80% 89% 7 DA,CA FA 80% 100% 8 FA CA 80% 89% 9 FA DA 80% 89% 10 FA CA, DA 80% 89% 11 FA DA, CA 80% 89% 12 FA, DA CA 80% 100% 4. SIMPULAN Dari tahap-tahap yang telah dilakukan di atas, maka dapat diambil kesimpulan sebagai berikut: Rule 1 : If ada permintaan untuk perbaikan Commercial area then ada permintaan untuk Dormitory area dengan tingkat kepercayaan 100 % dan didukung oleh 80% dari data keseluruhan. Rule 2 : If ada permintaan untuk perbaikan di Commercial area then ada permintaan untuk Factory area dengan tingkat kepercayaan 100 % dan didukung oleh 80% dari data keseluruhan. Rule 3 : If ada permintaan untuk perbaikan di Commercial area then maka akan ada permintaan untuk Dormitory dan Factory area dengan tingkat kepercayaan 100 % dan didukung oleh 80% dari data keseluruhan. Rule 4 : If ada permintaan untuk perbaikan di Dormitory area then akan ada permintaan untuk Factory area dengan tingkat kepercayaan 89 % dan didukung oleh 80% dari data keseluruhan. Rule 5 : If ada permintaan untuk perbaikan di Dormitory area then ada permintaan untuk Factory area dengan tingkat kepercayaan 89 % dan didukung oleh 80% dari data keseluruhan. Rule 6 : If ada permintaan untuk perbaikan di Dormitory area then ada permintaan untuk Factory dan Comercial area dengan tingkat kepercayaan 89 % dan didukung oleh 80% dari data keseluruhan. Rule 7 : If ada permintaan untuk perbaikan di Dormitory dan Commercial area then ada permintaan untuk Factory area dengan tingkat kepercayaan 100% dan didukung oleh 80% dari data keseluruhan. Rule 8 : If ada permintaan untuk perbaikan di Factory area then ada permintaan untuk Comercial area dengan tingkat kepercayaan 89 % dan didukung oleh 80% dari data keseluruhan. Jurnal Teknik Ibnu Sina (JT-IBSI), Sekolah Tinggi Teknik Ibnu sina Batam
12 48 Analisa Customer Service System Menggunakan Metode Data Mining Dengan Algoritma FP-Growth (Studi Kasus Di PT Batamindo Investment Cakrawala) Rule 9 : If ada permintaan untuk perbaikan di Factory area then maka akan ada permintaan untuk Dormitory area dengan tingkat kepercayaan 89 % dan didukung oleh 80% dari data keseluruhan. Rule 10 : If ada permintaan untuk perbaikan di Factory area then maka akan ada permintaan untuk Dormitory dan Commercial area dengan tingkat kepercayaan 89 % dan didukung oleh 80% dari data keseluruhan. Rule 11 : If ada permintaan untuk perbaikan di Factory area then maka akan ada permintaan untuk Dormitory dan Comercial area dengan tingkat kepercayaan 100 % dan didukung oleh 80% dari data keseluruhan. Rule 12 : If ada permintaan untuk perbaikan di Factory dan Dormitory area then maka akan ada permintaan untuk Commercial Area dengan tingkat kepercayaan 100 % dan didukung oleh 80% dari data keseluruhan. Setelah diuraikan rule yang ada, dapat dibuktikan bahwa dengan menggunakan aplikasi Rapidminer 7.4 dapat dianalisa Permintaan Pelanggan pada PT Batamindo Investment Cakrawala dengan FP Growth. Dengan tingkat kepercayaan yang didapat dan didukung oleh persentase keseluruhan data, bisa diprediksi berapa jumlah permintaan pelanggan selanjutnya. DAFTAR PUSTAKA Dewi Kartika Pane, Implementasi Data Mining pada Penjualan Produk Elektronika dengan Algoritma Apriori (Studi Kasus: Kreditplus), Pelita Informatika Budi Dharma, Volume : IV, Nomor : 3, Agustus Yi Zheng et al, Research of Improved FP-Growth Algoritm in Association Rules Mining, Hindawi Publishing Corporation Scientific Programming Volume 2015, Article ID , 6 pages M.Hamsathvani et al, Survey on Infrequent Weighted Itemset Mining Using FP Growth, International Journal of Advanced Research in Electrical, Electronics and Instrumentation Engineering (An ISO 3297: 2007 Certified organization) Vol. 3, Issue 11, November Shivam Sidhu, FP Growth Algorithm Implementation, International Journal of Computer Applications ( ) Volume 93 No.8, May A.Arthi Priadharsni dan Dr. E. Ramaraj, Comparative Study of Revised FP Growth, Weighted Apriori and Fuzzy Apriori Algorithm, International Journal of Engineering Trends and Technology (IJETT) Volume 13 Number 6 Jul Wiem Taktak dan Yahya Slimani, MS-FP-Growth : A multi support version of FP-Growth Algoritma. International Jurnal of Hybrid Information Technology Vol. 7 No.3 (2014), pp dot.doi.org/ /ijhit Ali Ikhwan et al, Penerapan Data Mining dengan Algoritma FP-Growth untuk Mendukung Strategi Promosi Pendidikan (Studi Kasus Kampus STMIK Triguna Dharma), Magister Ilmu Komputer Universitas Putra Indonesia YPTK Padang, Program Studi Sistem Komputer, STMIK Triguna Dharma Sumbar. Abdullah Saad Almalaise Alghamdi, Efficient Implementation of FP Growth Algorithm-Data Mining on Medical Data, IJCSNS International Journal of Computer Science and Network Security, VOL.11 No.12, December 2011, Chairman of CIT Faculty of Computing and Information Technology King Abdulaziz University, Jeddah Kingdom of Saudi Arabia. Rizka Nurul Arifin, Implementasi Algoritma Frequent Pattern Growth (FG-Growth) menentukan asosiasi antar produk (study kasus Nadiamart) M.Kavitha and S.T.Tamil Selvi, Comparative Study on Apriori Algorithm and Fp Growth Algorithm with Pros and Cons, International Journal of Computer Science Trends and Technology (I JCS T) Volume 4 Issue 4, Jul - Aug 2016.
13 Herasmus 49 Goldie Gunadi dan Dana Indra Sensuse, Penerapan Metode Data Mining market Basket Analysis terhadap data penjualan produk buku dengan menggunakan Algoritma Apriori dan Frequent Pattern Growth (Fp-Growth) : Studi Kasus Percetakan PT. Gramedia M.Eka Septa Eljandi et al, Perancangan Data Warehouse dan penerapan Data Mining menggunakan Algoritma FP-Tree dan FP-Growth untuk penyusunan produk pada PT Zhulian Palembang Jurnal Teknik Ibnu Sina (JT-IBSI), Sekolah Tinggi Teknik Ibnu sina Batam
BAB II TINJAUAN PUSTAKA. pengetahuan di dalam database. Data mining adalah proses yang menggunakan
6 BAB II TINJAUAN PUSTAKA 2.1 Pengertian Data Mining Data mining adalah suatu istilah yang digunakan untuk menguraikan penemuan pengetahuan di dalam database. Data mining adalah proses yang menggunakan
Lebih terperinciBAB 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 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 terperinciImplementasi Data Mining Untuk Analisa Tingkat Pelanggaran Lalu Lintas Dengan Algoritma Association Rule
ISSN 2599-2081 Implementasi Data Mining Untuk Analisa Tingkat Pelanggaran Lalu Lintas Dengan Algoritma Association Rule Yera Wahda Wahdi UNIVERSITAS PUTERA BATAM e-mail : Yerawahdawahdi@vahoo.com Abstract:
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 terperinciBAB 2 TINJAUAN PUSTAKA DAN DASAR TEORI. yang akan diteliti. Pemanfaatan algoritma apriori sudah cukup banyak digunakan, antara lain
BAB 2 TINJAUAN PUSTAKA DAN DASAR TEORI 2.1 Tinjauan Pustaka Penelitian ini menggunakan beberapa sumber pustaka yang berhubungan dengan kasus yang akan diteliti. Pemanfaatan algoritma apriori sudah cukup
Lebih terperinciBAB 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 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 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 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 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 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 terperinciTimor Setiyaningsih, Nur Syamsiah Teknik Informatika Universitas Darma Persada. Abstrak
DATA MINING MELIHAT POLA HUBUNGAN NILAI TES MASUK MAHASISWA TERHADAP DATA KELULUSAN MAHASISWA UNTUK MEMBANTU PERGURUAN TINGGI DALAM MENGAMBIL KEBIJAKAN DALAM RANGKA PENINGKATAN MUTU PERGURUAN TINGGI Timor
Lebih 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 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 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 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 terperinciPENINGKATAN PERFORMA ALGORITMA APRIORI UNTUK ATURAN ASOSIASI DATA MINING
PENINGKATAN PERFORMA ALGORITMA APRIORI UNTUK ATURAN ASOSIASI DATA MINING Andreas Chandra Teknik Informatika STMIK AMIKOM Yogyakarta Jl Ring road Utara, Condongcatur, Sleman, Yogyakarta 55281 Email : andreaschaandra@yahoo.com
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 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 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 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 terperinciBAB 1 KONSEP DATA MINING 2 Gambar 1.1 Perkembangan Database Permasalahannya kemudian adalah apa yang harus dilakukan dengan data-data itu. Sudah diket
Bab1 Konsep Data Mining POKOK BAHASAN: Konsep dasar dan pengertian Data Mining Tahapan dalam Data Mining Model Data Mining Fungsi Data Mining TUJUAN BELAJAR: Setelah mempelajari materi dalam bab ini, mahasiswa
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 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 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 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 terperinci- PERTEMUAN 1 - KNOWLEGDE DISCOVERY
DATA WAREHOUSE - PERTEMUAN 1 - KNOWLEGDE DISCOVERY in DATABASE (KDD) Penemuan Pengetahuan di Database Tujuan : Mahasiswa Dapat memahami konsep KDD yang merupakan tujuan akhir dari Data Warehouse dan Data
Lebih terperinciPENERAPAN METODE ASOSIASI GSP DAN APRIORI UNTUK STOK DAN REKOMENDASI PRODUK
Konferensi Nasional Ilmu Sosial & Teknologi (KNiST) Maret 2017, pp. 412~416 412 PENERAPAN METODE ASOSIASI GSP DAN APRIORI UNTUK STOK DAN REKOMENDASI PRODUK Elly Muningsih AMIK BSI Yogyakarta e-mail : elly.emh@bsi.ac.id
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI. yang tepat. Sistem data mining mampu memberikan informasi yang tepat dan
BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI 2.1. Tinjauan Pustaka Sistem data mining akan lebih efektif dan efisiensi dengan komputerisasi yang tepat. Sistem data mining mampu memberikan informasi yang
Lebih terperinciPENENTUAN LOKASI BARANG PADA A Swalayan MENGGUNAKAN ASSOCIATION RULE DENGAN ALGORITMA FP-GROWTH
PENENTUAN LOKASI BARANG PADA A Swalayan MENGGUNAKAN ASSOCIATION RULE DENGAN ALGORITMA FP-GROWTH DETERMINING LOCATION OF GOODS IN A Swalayan USING ASSOCIATION RULE BY FP-GROWTH ALGORITHM Ardi Wijaksono
Lebih terperinciANALISA PENERAPAN DATAMINING PADA PENJUALAN PRODUK OLI MESIN SEPEDA MOTOR DENGAN ALGORITMA APRIORI
ANALISA PENERAPAN DATAMINING PADA PENJUALAN PRODUK OLI MESIN SEPEDA MOTOR DENGAN ALGORITMA APRIORI Siti Sundari Program Studi Teknik Informatika, Sekolah Tinggi Teknik Harapan Medan Jalan Hm. Joni No 70
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Data Mining Secara sederhana data mining adalah penambangan atau penemuan informasi baru dengan mencari pola atau aturan tertentu dari sejumlah data yang sangat besar. Data mining
Lebih terperinciAPLIKASI DATA MINING ANALISIS DATA TRANSAKSI PENJUALAN OBAT MENGGUNAKAN ALGORITMA APRIORI (Studi Kasus di Apotek Setya Sehat Semarang)
Hapsari Dita Anggraeni, Ragil Saputra, Beta Noranita APLIKASI DATA MINING ANALISIS DATA TRANSAKSI PENJUALAN OBAT MENGGUNAKAN ALGORITMA APRIORI (Studi Kasus di Apotek Setya Sehat Semarang) Hapsari Dita
Lebih terperinciBAB III METODOLOGI PENELITIAN
40 BAB III METODOLOGI PENELITIAN 3.1 DESAIN PENELITIAN Dalam melakukan penelitian, dibutuhkan desain penelitian agar penelitian yang dilakukan dapat berjalan dengan baik. Berikut ini merupakan desain penelitian
Lebih 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 terperinciPenerapan Data Mining dengan Algoritma Fp-Growth untuk Mendukung Strategi Promosi Pendidikan ( Studi Kasus Kampus STMIK Triguna Dharma)
ISSN : 1978-6603 Penerapan Data Mining dengan Algoritma Fp-Growth untuk Mendukung Strategi Promosi Pendidikan ( Studi Kasus Kampus STMIK Triguna Dharma) Ali Ikhwan *1, Dicky Nofriansyah #2, Sriani #3 *1
Lebih terperinciIMPLEMENTASI DATA MINING DENGAN ALGORITMA APRIORI PADA TOKO BANGUNAN UD. RUFI SENTOSA JAYA SAMBIREJO - PARE
IMPLEMENTASI DATA MINING DENGAN ALGORITMA APRIORI PADA TOKO BANGUNAN UD. RUFI SENTOSA JAYA SAMBIREJO - PARE SKRIPSI Diajukan Untuk Memenuhi Sebagian Syarat Guna Memperoleh Gelar Sarjana Komputer (S.Kom.)
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Dalam periode enam tahun terakhir (tahun 2007 2012), jumlah gerai ritel modern di Indonesia mengalami pertumbuhan rata-rata 17,57% per tahun. Pada tahun 2007, jumlah
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Berbagai penemuan terbaru di dalam pengumpulan dan penyimpanan data telah memungkinkan berbagai organisasi untuk mengumpulkan berbagai data (data pembelian, data nasabah,
Lebih terperinciANALISIS DATA POLA PEMBELIAN KONSUMEN DENGAN ALGORITMA APRIORI PADA TRANSAKSI PENJUALAN SUPERMARKET PAMELLA YOGYAKARTA 1.
ANALISIS DATA POLA PEMBELIAN KONSUMEN DENGAN ALGORITMA APRIORI PADA TRANSAKSI PENJUALAN SUPERMARKET PAMELLA YOGYAKARTA M. Didik R. Wahyudi 1) Fusna Failasufa 2) 1) 2) Teknik Informatika FST UIN Sunan Kalijaga
Lebih terperinciPENERAPAN DATA MINING UNTUK EVALUASI KINERJA AKADEMIK MAHASISWA MENGGUNAKAN ALGORITMA NAÏVE BAYES CLASSIFIER
PENERAPAN DATA MINING UNTUK EVALUASI KINERJA AKADEMIK MAHASISWA MENGGUNAKAN ALGORITMA NAÏVE BAYES CLASSIFIER I. PENDAHULUAN Mahasiswa merupakan salah satu aspek penting dalam evaluasi keberhasilan penyelenggaraan
Lebih terperinciModel Data Mining sebagai Prediksi Penyakit Hipertensi Kehamilan dengan Teknik Decision Tree
Scientific Journal of Informatics Vol. 3, No. 1, Mei 2016 p-issn 2407-7658 http://journal.unnes.ac.id/nju/index.php/sji e-issn 2460-0040 Model Data Mining sebagai Prediksi Penyakit Hipertensi Kehamilan
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 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 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 terperinciPENERAPAN DATA MINING DENGAN METODE CLUSTERING UNTUK PENGELOMPOKAN DATA PENGIRIMAN BURUNG
PENERAPAN DATA MINING DENGAN METODE CLUSTERING UNTUK PENGELOMPOKAN DATA PENGIRIMAN BURUNG Sri Mulyati 1) 1 Pascasarjana, Universitas Putra Indonesia YPTK Padang e-mail: mulyati.sri52@gmail.com Abstrak
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 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 terperinciUniversitas Putra Indonesia YPTK Padang Fakulas Ilmu Komputer Program Studi Teknik Informatika. Knowledge Discovery in Databases (KDD)
Universitas Putra Indonesia YPTK Padang Fakulas Ilmu Komputer Program Studi Teknik Informatika Knowledge Discovery in Databases (KDD) Knowledge Discovery in Databases (KDD) Definisi Knowledge Discovery
Lebih terperinciPENERAPAN ASSOCIATION RULE DENGAN ALGORITMA APRIORI PADA TRANSAKSI PENJUALAN DI MINIMARKET SKRIPSI. Diajukan Untuk Memenuhi Sebagian Syarat Guna
PENERAPAN ASSOCIATION RULE DENGAN ALGORITMA APRIORI PADA TRANSAKSI PENJUALAN DI MINIMARKET SKRIPSI Diajukan Untuk Memenuhi Sebagian Syarat Guna Memperoleh Gelar Sarjana Komputer (S.Kom) Pada Program Studi
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang Pelaku bisnis saat ini dituntut selalu inovatif untuk dapat bersaing dengan kompetitor. Bisnis retail seperti Apotek merupakan bisnis dengan persaingan yang sangat
Lebih terperinciPENERAPAN METODE APRIORI ASOSIASI TERHADAP PENJUALAN PRODUCT COSMETIC UNTUK MENDUKUNG STRATEGI PENJUALAN
PENERAPAN METODE APRIORI ASOSIASI TERHADAP PENJUALAN PRODUCT COSMETIC UNTUK MENDUKUNG STRATEGI PENJUALAN SKRIPSI Diajukan untuk memenuhi salah satu syarat guna memperoleh gelar Sarjana Komputer (S.Kom)
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Data mining bertujuan untuk menemukan pola-pola yang valid, baru, mempunyai nilai guna, dan mudah dipahami dari data yang ada. Jenis pola yang dihasilkan ditentukan
Lebih terperincidengan harga jual yang lebih rendah. Sedangkan diskon atau potongan harga adalah pengurangan harga langsung dari suatu produk yang dilakukan dalam
BAB I PENDAHULUAN 1.1. Latar Belakang Masalah CV. Amigo Mangesthi Utomo merupakan sebuah perusahaan perseorangan yang bergerak dalam bidang retail sepatu dan pakaian sejak tahun 1976. Pada tahun 2013,
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 terperinciANALISIS ASSOCIATION RULES ALGORITMA APRIORI PENJUALAN KAOS TRAVELLING
ANALISIS ASSOCIATION RULES ALGORITMA APRIORI PENJUALAN KAOS TRAVELLING Kanthi Wulandari Mahasiswa Program Studi Statistika Universitas Islam Indonesia kanthiwuland@gmail.com Asriyanti Ali Mahasiswa Program
Lebih terperinciPERTEMUAN 14 DATA WAREHOUSE
PERTEMUAN 14 DATA WAREHOUSE Data Warehouse Definisi : Data Warehouse adalah Pusat repositori informasi yang mampu memberikan database berorientasi subyek untuk informasi yang bersifat historis yang mendukung
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 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 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 terperinciANALISA POLA PEMILIHAN PROGRAM STUDI BAGI CALON MAHASISWA DI UNIVERSITAS ABDURRAB MENGGUNAKAN ASSOCIATION RULE
ANALISA POLA PEMILIHAN PROGRAM STUDI BAGI CALON MAHASISWA DI UNIVERSITAS ABDURRAB MENGGUNAKAN ASSOCIATION RULE Diki Arisandi 1, Nofriandi 2 Jurusan Teknik Informatika, FakultTeknik,Universitas Abdurrab
Lebih terperinciUKDW BAB I PENDAHULUAN
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Untuk dapat meningkatkan penjualan, pengambil keputusan / manajer toko harus dapat memperhatikan faktor-faktor yang mempengaruhi secara langsung. Salah satu
Lebih 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. 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 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Penambangan Data (Data Mining) Pengertian data mining, berdasarkan beberapa orang: 1. Data mining (penambangan data) adalah suatu proses untuk menemukan suatu pengetahuan atau
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 terperinciIMPLEMENTASI DATA MINING PADA PENJUALAN PRODUK ELEKTRONIK DENGAN ALGORITMA APRIORI (STUDI KASUS : KREDITPLUS)
IMPLEMENTASI DATA MINING PADA PENJUALAN PRODUK ELEKTRONIK DENGAN ALGORITMA APRIORI (STUDI KASUS : KREDITPLUS) Dewi Kartika Pane (0911801) Mahasiswa Program Studi Teknik Informatika, STMIK Budidarma Medan
Lebih terperinciSKRIPSI HALAMAN JUDUL METODE ASSOCIATION RULE DALAM MENGANALISA POLA BELANJA KONSUMEN PADA DATA TRANSAKSI PENJUALAN MENGGUNAKAN ALGORITMA FP-GROWTH
SKRIPSI HALAMAN JUDUL METODE ASSOCIATION RULE DALAM MENGANALISA POLA BELANJA KONSUMEN PADA DATA TRANSAKSI PENJUALAN MENGGUNAKAN ALGORITMA FP-GROWTH METHOD OF ASSOCIATION RULE IN ANALYZING CONSUMER SPENDING
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 terperinciBAB I PENDAHULUAN. yang cepat dan besar di Asia (Kartiwi, 2006). Pertumbuhan e-commerce yang
BAB I PENDAHULUAN 1.1 Latar Belakang Indonesia adalah salah satu negara dengan pertumbuhan pasar e-commerce yang cepat dan besar di Asia (Kartiwi, 2006). Pertumbuhan e-commerce yang besar tersebut membuat
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 terperinciPenerapan Data Mining Association Rule Menggunakan Algoritma Apriori Untuk Meningkatkan Penjualan dan Memberikan Rekomendasi Pemasaran Produk Speedy
Penerapan Data Mining Association Rule Menggunakan Algoritma Apriori Untuk Meningkatkan Penjualan dan Memberikan Rekomendasi Pemasaran Produk Speedy (Studi Kasus di PT. Telkom Cabang Wonogiri ) Moch. Yusuf
Lebih 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 terperinciASSOCIATION RULE DENGAN ALGORITMA FP-GROWTH DETERMINING LOCATION OF GOODS IN A
PENENTUAN LOKASI BARANG PADA A Swalayan MENGGUNAKAN ASSOCIATION RULE DENGAN ALGORITMA FP-GROWTH DETERMINING LOCATION OF GOODS IN A Swalayan USING ASSOCIATION RULE BY FP-GROWTH ALGORITHM Ardi Wijaksono
Lebih terperinciIMPLEMENTASI ALGORITMA FREQUENT PATTERN GROWTH (FP-GROWTH) MENENTKAN ASOSIASI ANTAR PRODUK (STUDY KASUS NADIAMART)
IMPLEMENTASI ALGORITMA FREQUENT PATTERN GROWTH (FP-GROWTH) MENENTKAN ASOSIASI ANTAR PRODUK (STUDY KASUS NADIAMART) Rizka Nurul Arifin Program Studi Teknik Informatika, Universitas Dian Nuswantoro Jl. Nakula
Lebih terperinciBAB 2 LANDASAN TEORI
6 BAB 2 LANDASAN TEORI 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 terperinciPERSYARATAN PRODUK. 1.1 Pendahuluan Latar Belakang Tujuan
BAB 1 PERSYARATAN PRODUK Bab ini membahas mengenai hal umum dari produk yang dibuat, meliputi tujuan, ruang lingkup proyek, perspektif produk, fungsi produk dan hal umum yang lainnya. 1.1 Pendahuluan Hal
Lebih terperinciBAB 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 terperinciBAB II TINJAUAN PUSTAKA
6 BAB II TINJAUAN PUSTAKA Pada kajian literatur ini berisi studi pustaka terhadap buku, jurnal ilmiah, penelitian sebelumnya yang berkaitan dengan topik penelitian. Uraian tinjauan pustaka diarahkan untuk
Lebih terperinciANALISA POLA PEMILIHAN PROGRAM STUDI BAGI CALON MAHASISWA DI UNIVERSITAS ABDURRAB MENGGUNAKAN ASSOCIATION RULE
ANALISA POLA PEMILIHAN PROGRAM STUDI BAGI CALON MAHASISWA DI UNIVERSITAS ABDURRAB MENGGUNAKAN ASSOCIATION RULE Diki Arisandi 1, Nofriandi 2 Jurusan Teknik Informatika, FakultTeknik,Universitas Abdurrab
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 terperinciPENERAPAN ALGORITMA C4.5 DALAM PEMILIHAN BIDANG PEMINATAN PROGRAM STUDI SISTEM INFORMASI DI STMIK POTENSI UTAMA MEDAN
PENERAPAN ALGORITMA C4.5 DALAM PEMILIHAN BIDANG PEMINATAN PROGRAM STUDI SISTEM INFORMASI DI STMIK POTENSI UTAMA MEDAN Fina Nasari 1 1 Sistem Informasi, STMIK Potensi Utama 3 Jalan K.L. Yos Sudarso KM.
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 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 terperinciGambar Tahap-Tahap Penelitian
BAB III METODELOGI PENELITIAN Dalam menyelesaikan penelitian ini dibuat beberapa tahapan. Tahap-tahap kegiatan dijelaskan dalam Gambar 3.1 Studi Literatur Pengumpulan Data Retrieve Data Pre-Processing
Lebih terperinciPenerapan Fungsi Data Mining Klasifikasi untuk Prediksi Masa Studi Mahasiswa Tepat Waktu pada Sistem Informasi Akademik Perguruan Tinggi
IJCCS, Vol.x, No.x, July xxxx, pp. 1~5 ISSN: 1978-1520 39 Penerapan Fungsi Data Mining Klasifikasi untuk Prediksi Masa Studi Mahasiswa Tepat Waktu pada Sistem Informasi Akademik Perguruan Tinggi Irwan
Lebih terperinciPENERAPAN DATA MINING UNTUK ANALISIS POLA PEMBELIAN KONSUMEN DENGAN ALGORITMA FP- GROWTH PADA DATA TRANSAKSI PENJUALAN SPARE PART MOTOR
PENERAPAN DATA MINING UNTUK ANALISIS POLA PEMBELIAN KONSUMEN DENGAN ALGORITMA FP- GROWTH PADA DATA TRANSAKSI PENJUALAN SPARE PART MOTOR Alfannisa Annurullah Fajrin 1, Algifanri Maulana 2 Teknik Informatika,
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 Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakang Association rules mining merupakan teknik data mining untuk menentukan hubungan diantara data atau bagaimana suatu kelompok data mempengaruhi suatu kelompok data lain
Lebih terperinciANALISIS PENERAPAN TEKNIK DATAMINING DALAM PENGIMPLEMENTASIAN DAN PENGEMBANGAN MODEL ACTIVE LEARNING DENGAN METODE KELOMPOK
ANALISIS PENERAPAN TEKNIK DATAMINING DALAM PENGIMPLEMENTASIAN DAN PENGEMBANGAN MODEL ACTIVE LEARNING DENGAN METODE KELOMPOK Dody Herdiana, S.T., M. Kom. Dosen PNS DPK pada Program Studi Teknik Informatika
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 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 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 terperinciBAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Kartika Kosmetik merupakan toko penjualan produk kosmetik yang paling besar didaerah Rancaekek. Produk utama yang dijual di Kartika Kosmetik adalah produk-produk
Lebih terperinciANALISIS ALGORITMA APRIORI UNTUK REKOMENDASI PENEMPATAN BUKU PADA PERPUSTAKAAN
1 ANALISIS ALGORITMA APRIORI UNTUK REKOMENDASI PENEMPATAN BUKU PADA PERPUSTAKAAN 1 Uma Mazida, 2 Ricardus Anggi Pramunendar, M.Cs Program Studi Teknik Informatika S1 Fakultas Ilmu Komputer Universitas
Lebih terperinciBAB 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 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 terperinciANALISA KINERJA ALGORITMA C.45 DALAM MEMPREDIKSI PENCAPAIAN PROFIT
ANALISA KINERJA ALGORITMA C.45 DALAM MEMPREDIKSI PENCAPAIAN PROFIT Rika Nofitri, Muhammad Ardiansyah Sembiring Sekolah Tinggi Manajemen Informatika Dan Komputer Royal Kisaran Jl. Prof. M. Yamin 173 Kisaran,
Lebih terperinci