REKOMENDASI SOLUSI PADA COMPUTER MAINTENANCE MANAGEMENT SYSTEM MENGGUNAKAN ASSOCIATION RULE, KOEFISEN KORELASI PHI DAN CHI-SQUARE
|
|
- Johan Santoso
- 6 tahun lalu
- Tontonan:
Transkripsi
1 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 Technology Department Institut of Technology Sepuluh Nopember Surabaya, Indonesia 2) Informatics Department, Institut of Technology Sepuluh Nopember ABSTRAK CMMS merupakan sebuah sistem yang digunakan oleh teknisi untuk membantu kegiatan yang dilakukan dalam maintenance sebuah mesin. Pada sistem ini terdapat bagian penting seperti Work Order (WO), Inventory Management, Purchase Order (PO). Permasalahan yang timbul yaitu pada bagian WO sering kali seorang teknisi menemukan permasalahan yang sama pada kasus maintenance mesin dan sering kali kasus yang sama ternyata masih berulang pada waktu tertentu. Berdasarkan kasus tersebut peneliti bermaksud untuk mengelompokkan rule dari WO dan kemudian dilakukan penilaian terhadap rule. Hal ini ditujukan untuk membantu seorang teknisi menentukan solusi dari permasalahan yang muncul dalam suatu infrastruktur perusahaan. Tujuan dari penelitian dari peniliti dalam melakukan penilaian terhadap work order antara lain merancang suatu pengetahuan yang dapat dimanfaatkan oleh seorang teknisi untuk mempelajari pola permasalahan infrastruktur IT di dalam perusahaan. Penelitian ini diawali dengan membentuk rule yang didapatkan dari kumpulan WO yang diterima oleh teknisi menggunakan Association Rule. Selanjutnya untuk proses hasil dari rule base yang didapatkan akan dilakukan korelasi berdasarkan variable symptom dan root cause. Berdasarkan penelitian didapatkan jika penggunaan minimum support dan minimum confidence mempengaruhi perangkingan rekomendasi solusi. Sehingga rekomendasi solusi berada pada di level bawah ketika dilakukan peningkatan nilai min_sup dan min_conf posisi leveling bisa tetap dan bisa berubah. Kata kunci: Work Order, Maintenance, Association Rule, Chi-Square. PENDAHULUAN Sistem pendukung keputusan dalam bidang komputer pada era ini telah sampai kegunaannya pada dunia bisnis sebagai alat dalam mengurangi resiko dan biaya dalam industry. [3] Munculnya Knowledge Management adalah salah satu diantaranya telah banyak dipertimbangkan oleh dunia bisnis untuk mengurangi resiko dan biaya dengan cara mengembangkan software dan pemeliharaan organisasi dalam mengelola kegiatan para teknisi. Computer Maintenance Management. System (CMMS) merupakan sebuah sistem yang berfungsi dalam proses maintenance peralatan yang berupa mesin ditujukan untuk menjaga mesin dapat berjalan dengan baik tanpa harus menunggu sebuah mesin mengalami kerusakan terlebih dahulu. [6] Dan untuk mengurangi resiko dan biaya pemeliharaan suatu sistem dalam organisasi perlu adanya proses integrasi antara proses maintenance, perbaikan dan penyediaan inventori dan penjadwalan proses maintenance, monitoring kondisi teknologi, database elektronik dan komponen yang reliable dan sistem pendukung keputusan dimana semuanya bisa dikelola dalam sistem C-2-1
2 CMMS. Dan didalam sebuah CMMS terdapat beberapa bagian yang tidak bisa dipisahkan untuk membentuk sistem menjadi satu kesatuan diantaranya yaitu Work Order (WO). Di dalam penelitian ini berfokus pada pemanfaatan WO untuk digunakan dalam pencarian solusi terbaik pada suatu permasalahan, sehingga seorang teknisi dapat mengambil keputusan dengan segera untuk melakukan proses pengecekan terhadap mesin sesuai dengan solusi yang disarankan dan segera bisa mencari solusi lain. Peneliti memiliki maksud untuk memanfaatkan WO sebagai sebuah data yang digunakan untuk memberikan pengetahuansolusi kejadian atau permasalahan dalam mesin yang dianggap masih belum terselesaikan secara tuntas. [6] Sejumlah masalah yang berulang-ulang disebabkan karena downtime, dan menjadi perhatian bagaimana menemukan akar permasalahan dan solusi yang tepat sehingga solusi ini digunakan untuk proses modifikasi pada mesin dan kebijakan pemeliharaan sistem. Permasalahan muncul ketika solusi yang digunakan tidak memberikan solusi secara baik dalam proses penangan suatu masalah dalam proses perbaikan mesin dan dalam penelitian ini mengambil data pada permasalahan infrastruktur IT. Sehingga pihak peneliti bermaksud untuk memanfaatkan data work order untuk dimafaatkan menjadikan pendukung keputusan. METODE 1. EKSPERIMEN Proses pertama yaitu [5] menggunakan teknik Association Rule sebagai cara untuk mendapatkan rule yang sering terjadi secara berulang-ulang. Peneliti menggunakan association rule sebagai metode dalam membangkitkan rule base dari work order disebabkan data yang digunakan dalam work order bersifat kategori dan bukan binary ataupun nominal. [1] Dan pada permasalahan yang dihadapi dalam proses data mining yaitu sekumpulan data yang banyak dari suatu basket data pada tipe transaksi, dan dengan association rule beberapa item dapata dikumpulkan sesuai dengan confidence dan support. Pada dasarnya support bertanggung jawab dalam mengukur apakah suatu data secara statistika signifikan untuk diproses dalam association rule. Sedangkan confidence berguna dala mengukur tingkat kekuatan dari rule yang digunakan. [5] Association rule digunakan dalam penelitian sebagai bahan untuk menjadikan pola atau pattern dari sebuah data dan digunakan untuk mengeliminasi pola data yang tidak penting. Selain itu [2] association rule digunakan untuk menemukan relationship diantara entitas record yang berbeda di dalam suatu database. [4] Penggunaan support dan confidence dalam association rule memiliki tujuan yang berbeda dimana support digunakan untuk mengukur signifikansi dari rule dan confidence digunakan sebagai ukuran rule yang terbaik digunakan. Dan kunci utama dari association rule yaitu bagaimana meminimalkan threshold dari support. Dan support yang tinggi lebih berguna untuk mendapatkan association rule mining daripada penggunaan support yang rendah. [4] Dan penggunaan support dan confidence bisa mempertimbangkan dua hal dalam menemukan sebuah pola. a. Jika minsup terlalu tinggi, tidak akan ditemukan item yang jarang muncul. b. Jika ingin menemukan item yang sering muncul dan jarang gunakan minsup yang kecil. [6] banyak studi-studi sebelumnya menatakan association rule sukses diterapkan pada masalah yang berkaitan dengan klasifikasi dan prediksi. Metode yang digunakan selanjutnya dalam proses pencarian kekuatan hubungan antara variabel yaitu menggunakan koefisien korelasi phi sedangkan untuk uji statistika menggunakan chi-square, hal ini dikarenakan data yang digunakan bersifat kategori dan C-2-2
3 dikotomus (bernilai 0 dan 1). Data dikotomi adalah data diskrit, data kategorik atau data nominal dan data ini adalah data dari hasil perhitungan, sehingga tidak dijumpai bilangan pecahan. Dalam data dikotomi setiap data dikelompokkan menurut kategorinya dan diberi angka, dimana angka-angka tersebut adalah label dan bukan tingkatan. Pada Tabel 1 menunjukkan bagaimana penerapan rumus pada koefisien korelasi phi. Tabel 1. Penerapan Rumus Pada Koefisien Korelasi Phi Atribut 2 Atribut 1 Yes No Yes a b No c d Jika a, b, c, dan d merepresentasikan frekuensi dari suatu observasi maka menggunakan rumus: dihitung dengan Sedangkan uji statistik pada koefisien korelasi phi menggunakan chi-square atau Nilai koefisien phi memiliki rentang antara -1 hingga 1. Semakin mendekati 0 hubungan kedua atribut atau data semakin lemah. Sedangkan nilai 1 menunjukkan jika kedua data memiliki hubungan yang sempurna. Tanda (+) pada nilai korelasi jika suatu variabel x mengalami kenaikan maka variabel y ikut naik dan jika nilai variabel x turun maka variabel y ikut turun. Sedangkan tanda (-) menandakan jika suatu variabel x naik maka variabel y mengalami penurunan dan jika variabel x nilainya turun maka variabel y naik. Adapun kriteria atau pedoman dalam menentukan kriteria korelasi yaitu bisa dilihat pada Tabel 2. Tabel 2. Pedoman Kriteria Korelasi r Kriteria hubungan 0 Tidak ada korelasi Korelasi lemah Korelasi sedang Korelasi kuat / erat 1 Korelasi sempurna Teknik yang digunakan dalam penelitian ini, pertama adalah association rule berfungsi untuk membangkitkan rule dari data WO yang berkaitan dengan variabel symptom dan root cause sehingga diperoleh symptom dan root cause yang secara signifikan dan dapat dipercaya untuk dapat digunakan sebagai rekomendasi solusi. serta koefisien korelasi phi untuk mencari kekuatan korelasi dari kedua variabel dan kemudian digunakan untuk proses pemeringkatan pada rekomendasi solusi. Sedangkan uji statistik terhadap hasil korelasi digunakan chi-square. HASIL DAN PEMBAHASAN Secara umum basis pengetahuan yang dirancang adalah seperti pada Gambar 1. Penelitan ini diawali dengan pengumpulan data sebanyak 712 data yang didapatkan dari work C-2-3
4 order dalam sistem Microsoft Dynamic AX. Dan yang diambil adalah data yang berhubungan dengan variabel symptom dan root cause. Korelasi Phi dan Chisquare Rule Association Rule Rekomendasi Solusi Inference Engine Knowledge Base Data Work Order Permasalahan Tool untuk mendapatkan solusi Database User Interface User Gambar 1. Rancangan Knowledge Base Data work order sebenarnya terdiri dari beberapa variabel antara lain problem, symptom, root cause, solution, category, time start, date start, time finish, date finish. Tapi pada penelitian ini dilakukan penelitian terhadap dua variabel yaitu symptom dan root cause. Adapun contoh data pada Gambar 2. Dari beberapa data symptom dan root cause selanjutnya dilakukan proses pembangkitan rule dengan menggunakan association rule dengan batasan minimum support dan minimum confidence. Untuk mengelimanasi suatu symptom dan root cause yang tidak terlalu penting dan signifikan bisa digunakan minimum support dan minimum confidence yang tinggi. Gambar 2. Data Work Order Tabel 3 dan 4 adalah contoh hasil rule dengan meningkatkan min_sup dan min_conf pada permasalahan Can t open dynamic AX. Bisa dilihat adanya eleminasi data pada Tabel 4 dimana terdapat rule dihilangkan dari ketika nilai minimum support ditingkatkan. Dan berarti rule yang berwarna merah memiliki nilai minimum support yang diantara dan Dan pada tahap ini terdapat batasan mimum support dan minimum confidence yang digunakan yang bisa dilihat pada Tabel 5. C-2-4
5 Dari hasil rule selanjutnya dicari kekuatan korelasi dan uji statistik dari kedua variabel. Untuk uji statistik hipotesa yang digunakan adalah: a. H0: Tidak terdapat keterkaitan antara gejala (symptom) dan akar permasalahan (root cause) dalam proses pencarian solusi. b. H1: Terdapat keterkaitan antara gejala (symptom) dan akar permasalahan (root cause) dalam proses pencarian solusi. Tabel 3. min_sup=0.001 dan min_conf=0.1 Tabel 4. min_sup=0.007 dan min_conf=0.1 Tabel 5. Jumlah dari Hasil Beberapa Minimum Support dan Minimum Confidence Dari hasil rule selanjutnya dicari kekuatan korelasi dan uji statistik dari kedua variabel. Untuk uji statistik hipotesa yang digunakan adalah: a. H0: Tidak terdapat keterkaitan antara gejala (symptom) dan akar permasalahan (root cause) dalam proses pencarian solusi. b. H1: Terdapat keterkaitan antara gejala (symptom) dan akar permasalahan (root cause) dalam proses pencarian solusi. Berdasarkan penggunaan koefisien korelasi phi, maka nilai chi-square hitung pada penelitian ini menggunakan taraf signifikansi 0.05 dengan derajat bebas selalu 1. Karena perhitungan korelasi phi pada tabel contingency hanya menggunakan 2 baris dan 2 kolom yang terdiri dari 2 atribut. Sehingga nilai chi-square tabel selalu bernilai Bisa dilihat pada Tabel 6 adalah contingency tabel dari korelasi phi dengan 2 atribut pada variabel symptom dan root cause. Contoh bisa dilihat pada Tabel 6, dimana pada tabel tersebut dengan menggunakan rumus korelasi phi yang dijelaskan pada sub bab 2 didapatkan nilai koefisen korelasi sebesar Dan dengan nilai chi-square Sehingga dapat dikatakan C-2-5
6 korelasi tersebut melakukan penolakan terhadap H0 karena nilai chi-square hitung lebih besar daripada nilai chi-square tabel. Dan sifat korelasi kedua variabel sedang. Tabel 6. Tabel Contingency pada Perhitungan Koefisien Korelasi phi 2. HASIL UJI COBA Setelah mengenal langkah-langkah penelitian pada sub bab 3 selanjutnya yaitu melakukan leveling dengan beberapa min_sup dan min_conf berbeda dari beberapa rekomendasi solusi yang dihasilkan dengan permasalahan yang berbeda. Hal ini ditujukan untuk mengetahui pengaruh minimum support dan minimum confidence terhadap hasil rekomendasi yang diberikan. Tabel 7. min_sup dan min_conf 0.05 Permasalahan Can t open dynamic AX Pada rekomendasi solusi yang dicetak merah dapat dilihat bahwa posisinya tidak berubah ketika dilakukan peningkantan minimum support dan minimum confidence dan selalu muncul menjadi rekomendasi utama pada Tabel 8 dan 9. Dan juga dapat dilihat korelasi yang diberikan semakin kuat ketika nilai min_sup dan min_conf ditingkatkan. Tabel 8. min_sup dan min_conf 0.7 Permasalahan Can t open dynamic AX C-2-6
7 Tabel 9. min_sup dan min_conf 0.8 Permasalahan Can t open dynamic AX Pada Tabel 7, 8 dan 9 adalah rekomendasi solusi yang sama pada bagian symptom pada permasalahan Can t open dynamic AX. Lalu bagaimana dengan permasalah yang sama dengan beberapa symptom yang lain. Bisa dilihat pada Tabel 10 dan 11. Tabel 10. min_sup dan min_conf 0.7 Permasalahan Can t open dynamic AX Ketika dilakukan peningkatan nilai minimum support dan minimum confidence pada Tabel 10 ternyata terjadi perubahan posisi pada rekomendasi solusi pada level 1 dan 2 pada Tabel 10. Dimana hasilnya bisa dilihat pada Tabel 11. Bisa dilihat pada Tabel 11 levelling rekomendasi solusi mengalami perubahan yang sebelumnya level 1 pada Tabel 10 berubah posisi menjadi level 2 pada Tabel 11. Tabel 11. min_sup dan min_conf 0.8 Permasalahan Can t open dynamic AX KESIMPULAN DAN SARAN Berdasarkan analisa pengaruh minimum support dan minimum confidence pada hasil rekomendasi solusi menunjukkan adanya pola rekomendasi yang beragam ketika dilakukan peningkatan pada nilai minimum support dan minimum confidence. Diman tidak sepenuhnya rekomendasi pada posisi pertama akan muncul dan tetap menjadi rekomendasi ketika dilakukan peningkatan minimum support dan minimum confidence. Dimana terdapat rekomendasi yang berada pada posisi bawah muncul menjadi rekomendasi utama ketika dilakukan kenaikan min_sup dan min_conf. Dan ada kasus dimana terjadi pertukaran posisi antara rekomendasi ketika dilakukan kenaikan min_sup dan min_conf dimana terjadi pada permasalahan Can t open dynamic AX. Dan penelitian ini memberikan gambaran adanya C-2-7
8 pengaruh minimum support dan minimum confidence terhadap rekomendasi solusi yang diberikan ketika terjadi perubahan nilai keduanya baik ditingkatkan atau diturunkan. DAFTAR PUSTAKA [1] Agrawal R, Imielinski T, Swami A, (1993), Mining Assocation Rules between Sets of Items in Large Database, Proceeding of the 1993 ACM SIGMOOD Conference, Computer Science Department Rutgers University. [2] Mandave P., Mane M., Patil S. (2003). Data Mining Using Association Rule Based on Apriori algorithm and improved with illustration. International Journal of Latest Trends in Engineering and Technology (IJTET). Vol. 3, hal 107. [3] Nor, M. Z. M., Abdullah R., Murad M. A. A, dan Selamat M. H. (2010), Managing Knowledge in Collaborative Software Maintenance Environtment, Knowledge Management, Vol. 1, No. 6, hal [4] Saran, Aditi. Association Rule Mining. Data Mining Technique and Tools for Knowledge Discovery in Agricultural Dataset. Hal 298. [5] Tan, P. N, Steinbach M. dan Kumar V., (2006), Introduction Data Mining, 1 st edition, Pearson Education, Inc., Boston. [6] Zaied, R. A., Abhary K., dan Gomaa A. H. (2010), Intelegent Integrated Maintenance of Manufacturing System, Engineering The Future, Vol.1, No. 15, hal C-2-8
Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK) p-issn: Vol. 4, No. 4, Desember 2017, hlm e-issn:
Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK) pissn: 23557699 Vol. 4, No. 4, Desember 2017, hlm. 213220 eissn: 25286579 REKOMENDASI SOLUSI PADA SISTEM COMPUTER MAINTENANCE MANAGEMENT SYSTEM MENGGUNAKAN
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 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 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 terperinciCross-Selling: Perangkat Utama Customer Relationship Managem. Meningkatkan Loyalitas Pelanggan
Cross-Selling: Perangkat Utama Customer Relationship Management (CRM) Untuk Meningkatkan Loyalitas Pelanggan Seminar Kenaikan Jabatan at Department of Information Systems, Faculty of Computer Science,
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Saat ini, perkembangan teknologi telah memberikan pengaruh yang sangat besar di dalam kehidupan manusia. Salah satu pengaruh tersebut di bidang informasi yaitu dalam
Lebih terperinciPENERAPAN ASSOCIATION RULE MINING PADA DATA NOMOR UNIK PENDIDIK DAN TENAGA KEPENDIDIKAN
PENERAPAN ASSOCIATION RULE MINING PADA DATA NOMOR UNIK PENDIDIK DAN TENAGA KEPENDIDIKAN A M I UNTUK R U D D PENETAPAN I N POLA SERTFIKASI GURU Program Pascasarjana rusan Teknik Elektro Program Studi Telematika
Lebih 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 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 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 terperinciDATA MINING UNTUK ANALISA PENJUALAN KERIPIK UD MARTOP PRATAMA MENGGUNAKAN ALGORITMA APRIORI
DATA MINING UNTUK ANALISA PENJUALAN KERIPIK UD MARTOP PRATAMA MENGGUNAKAN ALGORITMA APRIORI SKRIPSI Diajukan Untuk Memenuhi Sebagian Syarat Guna Memperoleh Gelar Sarjana Komputer (S.Kom) Pada Program Studi
Lebih terperinciBAB I PENDAHULUAN. Data mining memungkinkan penemuan pola-pola yang menarik, informasi yang
1 BAB I PENDAHULUAN Bab pendahuluan ini membahas tentang latar belakang masalah yaitu fenomena perkembangan data yang terus bertambah tetapi informasi yang dihasilkan monoton, sehingga diperlukan data
Lebih 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 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 terperinciABSTRAKSI Analisis keranjang pasar merupakan suatu cara untuk mengetahui kebiasaan berbelanja masyarakat disuatau tempat terhadap barang yang dibeli.
ANALISIS KERANJANG PASAR MENGGUNAKAN ALGORTIMA PREDICTIVE APRIORI UNTUK MENEMUKAN ATURAN ASOSIASI DI APOTEK SEHAT JAYA 1.NINDITYA KHARISMA ninditya@student.gunadarma.ac.id 2.METTY MUSTIKASARI metty@staff.gunadarma.ac.id
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 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 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 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 terperinciALGORITMA ATURAN ASOSIASI APRIORI-TID DENGAN METODE KLASTERISASI HIERARKI AGLOMERATIF. Tri Khairul I.A 1 ABSTRAK
ALGORITMA ATURAN ASOSIASI APRIORI-TID DENGAN METODE KLASTERISASI HIERARKI AGLOMERATIF. Pendahuluan Tri Khairul I.A. Jurusan Matematika FMIPA Universitas Hasanuddin Makassar 905 e-mail: narutolik@linuxmail.org
Lebih 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 terperinciDAFTAR ISI. BAB I PENDAHULUAN Latar Belakang Masalah Rumusan Masalah Batasan Masalah Tujuan Penelitian...
ABSTRAK Analisis asosiasi adalah teknik data mining untuk menemukan aturan asosiatif antara suatu kombinasi item.aturan asosiatif dari analisis pembelian di suatu pasar swalayan adalah mengetahui besarnya
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 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 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 terperinciLIFE CYCLE COST ANALYSIS INTEGRASI DENGAN CMMS (COMPUTERIZED MAINTENANCE MANAGEMENT SYSTEM) STUDI KASUS PT. BADAK NATURAL GAS LIQUEFACTION
LIFE CYCLE COST ANALYSIS INTEGRASI DENGAN CMMS (COMPUTERIZED MAINTENANCE MANAGEMENT SYSTEM) STUDI KASUS PT. BADAK NATURAL GAS LIQUEFACTION Rr. ARIA PRITA EKARISTI 2106100037 DOSEN PEMBIMBING DR. M. NUR
Lebih terperinciJURNAL TEKNIK ITS Vol. 1, (Sept, 2012) ISSN: A-445
JURNAL TEKNIK ITS Vol. 1, (Sept, 2012) ISSN: 2301-9271 A-445 Pengembangan Sistem Rekomendasi Penelusuran Buku dengan Penggalian Association Rule Menggunakan Algoritma Apriori (Studi Kasus Badan Perpustakaan
Lebih 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 III ANALISIS DAN PERANCANGAN
BAB III ANALISIS DAN PERANCANGAN III.1. Analisis Sistem Analisis sistem yang berjalan pada perusahaan PT. Perintis Perkasa dikelola dengan menggunakan software TDMS (Toyota Dealer Management System). TDMS
Lebih 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 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 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 terperinciABSTRACT Market basket analysis is a way to know the shopping habits of people in one place on goods purchased. Market basket analysis to produce an a
ANALISIS KERANJANG PASAR MENGGUNAKAN ALGORTIMA PREDICTIVE APRIORI UNTUK MENEMUKAN ATURAN ASOSIASI DI APOTEK SEHAT JAYA NINDITYA KHARISMA, METTY MUSTIKASARI Undergraduate Program, Information Systems Gunadarma
Lebih terperinciNusantara of Engginering (NoE)/Vol. 1/No. 2/ISSN:
Nusantara of Engginering (NoE)/Vol. 1/No. 2/ISSN: 2355-6684 76 ANALISA LOG AKSES DI E-LEARNING MENGGUNAKAN ASSOCIATION RULE MINING UNTUK MENGENALI POLA BELAJAR SISWA (Studi Kasus di SMUN 1 Pare Kediri)
Lebih 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 terperinciANALISIS DAN IMPLEMENTASI DATA MINING DENGAN CONTINUOUS ASSOCIATION RULE MINING ALGORITHM (CARMA) UNTUK REKOMENDASI MATA KULIAH PADA PERWALIAN
ANALISIS DAN IMPLEMENTASI DATA MINING DENGAN CONTINUOUS ASSOCIATION RULE MINING ALGORITHM (CARMA) UNTUK REKOMENDASI MATA KULIAH PADA PERWALIAN Dwiaji Nuraryudha 1, Shaufiah 2, Hetti Hidayati 3 1,2,3 Fakultas
Lebih terperinciLink Analysis (Superset) 3 Kategori Link Analysis (#1) 3 Kategori Link Analysis (#2) Association Rule Mining. 3 Kategori Link Analysis (#3)
Knowledge Discovery in Databases (IS704) dan Data Mining (CS704) Kuliah #7: Association Rules Mining (Bagian 1) Gunawan Jurusan Teknik Informatika Link Analysis (Superset) Tujuan: Mencari hubungan antara
Lebih terperinciDATA MINING MENGGUNAKAN ALGORITMA APRIORI UNTUK ANALISIS PENJUALAN
PROSIDING SEMINAR ILMIAH SISTEM INFORMASI DAN TEKNOLOGI INFORMASI Pusat Penelitian dan Pengabdian Pada Masyarakat (P4M) STMIK Dipanegara Makassar Jl. Perintis Kemerdekaan Km. 9 Makassar 1 DATA MINING MENGGUNAKAN
Lebih terperinciSATUAN ACARA PERKULIAHAN UNIVERSITAS GUNADARMA
Mata Kuliah Kode / SKS Program Studi Fakultas : Konsep Data Mining : IT012274 / 2 SKS : Sistem Komputer : Ilmu Komputer & Teknologi Informasi 1 Pengenalan RDBMS 2 SQL Mahasiswa dapat mnegrti dan memahami
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 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 terperinciA Decision Support Tool For Association Analysis
A Decision Support Tool For Association Analysis Rina Sibuea 1, Frans Juanda Simanjuntak 2, Sulastry Napitupulu 3, Daniel Elison Daya 4 Program Studi Manajemen Informatika, Politeknik Informatika Del Jl.Sisingamangaraja,
Lebih 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 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 terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA Pada tinjauan pustaka ini membahas tentang landasan teori yang medukung pembahasan yang berhubungan dengan sistem yang akan dibuat. 2.1 Data Mining Data mining adalah kegiatan menemukan
Lebih terperinciBAB 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 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 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 terperinciModul Praktikum WEKA. Pembaca modul ini diasumsikan telah mengerti dasar-dasar datamining.
Modul Praktikum WEKA Yudi Wibisono (e: yudi@upi.edu ); t: @yudiwbs Ilmu Komputer Universitas Pendidikan Indonesia (cs.upi.edu) Versi BETA : Oktober 2013 http://creativecommons.org/licenses/by-nc-sa/3.0/
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 terperinciPEMILIHAN KONTRAKTOR PERBAIKAN ROTOR DI PEMBANGKIT LISTRIK PT XYZ DENGAN MENGGUNAKAN METODE ANALYTICAL HIERARCHY PROCESS DAN GOAL PROGRAMMING
PEMILIHAN KONTRAKTOR PERBAIKAN ROTOR DI PEMBANGKIT LISTRIK PT XYZ DENGAN MENGGUNAKAN METODE ANALYTICAL HIERARCHY PROCESS DAN GOAL PROGRAMMING Akhmad Rusli 1, *), dan Udisubakti Ciptomulyono 2) 1, 2) Program
Lebih terperinciPembentukan Temporal Association Rules Menggunakan Algoritma Apriori (Studi Kasus:Toko Batik Diyan Solo)
IJCCS, Vol.10, No.1, January 2016, pp.71~80 ISSN: 1978-1520 71 Pembentukan Temporal Association Rules Menggunakan Algoritma Apriori (Studi Kasus:Toko Batik Diyan Solo) Annisa Mauliani * 1, Sri Hartati
Lebih 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 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 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 terperinciThe Implementation Of Apriori Algorithm And Chi-Square Test In Determining Pattern Of Relationship Among The Rawi Hadis
The Implementation Of Apriori Algorithm And Chi-Square Test In Determining Pattern Of Relationship Rahmadi Yotenka Department of Statistics Universitas Islam Indonesia, Jalan Kaliurang Km 14,5 Sleman Yogyakarta
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 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 terperinciSISTEM SISTEM REKOMENDASI BIDANG MINAT MAHASISWA MENGGUNAKAN METODE ASSOCIATION RULE DAN ALGORITMA APRIORI
SISTEM SISTEM REKOMENDASI BIDANG MINAT MAHASISWA MENGGUNAKAN METODE ASSOCIATION RULE DAN ALGORITMA APRIORI Nama Mahasiswa : NUCIFERA DIAHPANGASTUTI NRP : 505 00 070 Jurusan : Teknik Informatika FTIF-ITS
Lebih 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 terperinciPENERAPAN ALGORITMA KLASIFIKASI BERBASIS ATURAN ASOSIASI UNTUK DATA METEOROLOGI ( CUACA )
PENERAPAN ALGORITMA KLASIFIKASI BERBASIS ATURAN ASOSIASI UNTUK DATA METEOROLOGI ( CUACA ) Oleh : Rizky Kartika Putri 1209100001 Dosen Pembimbing : Dr. Imam Mukhlash S.Si, MT PENDAHULUAN 2 Latar Belakang
Lebih terperinciRoyes Otpin S¹, Arie Ardiyanti Suryani², Warih Maharani³. ¹Teknik Informatika, Fakultas Teknik Informatika, Universitas Telkom
ANALISIS DAN IMPLEMENTASI ASSOCIATION RULE MINING PADA COLLABORATION RECOMMENDER SYSTEM MENGGUNAKAN ALGORITMA ASSOCIATION RULES FOR RECOMMENDER SYSTEM (AR-CRS) Royes Otpin S¹, Arie Ardiyanti Suryani²,
Lebih terperinciASSOCIATION RULES PADA TEXT MINING
Text dan Web Mining - FTI UKDW - BUDI SUSANTO 1 ASSOCIATION RULES PADA TEXT MINING Budi Susanto versi 1.2 Text dan Web Mining - FTI UKDW - BUDI SUSANTO 2 Tujuan Memahami algoritma Apriori dan FP-Growth
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1. Objek Penelitian Pada Penelitian ini objek yang akan di ambil adalah sebuah swalayan Indomaret Indraprasta Semarang, dengan mengambil data transaksi penjualan barang
Lebih terperinciPENERAPAN DATA MINING DALAM ANALISIS KEJADIAN TANAH LONGSOR DI INDONESIA DENGAN MENGGUNAKAN ASSOCIATION RULE ALGORITMA APRIORI
PENERAPAN DATA MINING DALAM ANALISIS KEJADIAN TANAH LONGSOR DI INDONESIA DENGAN MENGGUNAKAN ASSOCIATION RULE ALGORITMA APRIORI Dewi Setianingsih, RB Fajriya Hakim Program Studi Statistika Fakultas Matematika
Lebih terperinciPENGGALIAN TOP-K FREQUENT CLOSED CONSTRAINED GRADIENT ITEMSETS TANPA BATASAN MINIMUM SUPPORT PADA BASIS DATA RETAIL
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
Lebih terperinciIMPLEMENTASI ALGORITMA HASH BASED TERHADAP ATURAN ASOSIASI UNTUK MENENTUKAN FREQUENT ITEMSET STUDY KASUS RUMAH MAKAN SEAFOOD KITA
IMPLEMENTASI ALGORITMA HASH BASED TERHADAP ATURAN ASOSIASI UNTUK MENENTUKAN FREQUENT ITEMSET STUDY KASUS RUMAH MAKAN SEAFOOD KITA Farha Ramadhan Teknik Informatika STMIK AMIKOM Yogyakarta Jl Ring road
Lebih terperinciManfaat Pohon Keputusan
DECISION TREE (POHON KEPUTUSAN) Latar Belakang Pohon Keputusan Di dalam kehidupan manusia sehari-hari, manusia selalu dihadapkan oleh berbagai macam masalah dari berbagai macam bidang. Masalah-masalah
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 terperinciPENDAHULUAN. Latar Belakang
Latar Belakang PENDAHULUAN Perkembangan teknologi informasi yang sangat pesat yang terjadi dewasa ini menuntut manusia untuk mampu beradaptasi dengan perkembangan tersebut. Upaya adaptasi yang dilakukan
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 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 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 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 terperinciAplikasi Data Mining untuk Mengukur Tingkat Kelulusan Mahasiswa dengan Metode Apriori
Aplikasi Data Mining untuk Mengukur Tingkat Kelulusan Mahasiswa dengan Metode Apriori dan k-mean Clustering (Studi Kasus: Jurusan Teknik Informatika Universitas Trunojoyo Madura) Mohammad Syarief Prodi
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 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 terperinciTechnoXplore ISSN : X Jurnal Ilmu Komputer & Teknologi Informasi Vol 1 No : 2, Oktober 2016
Penerapan Data Mining Pada Data Transaksi Superstore Untuk Mengetahui Kemungkinan Pelanggan Membeli Product Category Dan Product Container Secara Bersamaan Dengan Teknik Asosiasi Menggunakan Algoritma
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 terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI Di dalam landasan teori ini, akan dibahas tentang teori teori dan konsep dasar yang mendukung pembahasan dari sistem yang akan dibuat. 2.1 Basis Data (Database) Basis data diperlukan
Lebih 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 terperinciBAB I PENDAHULUAN 1.1. Latar Belakang
1 BAB I PENDAHULUAN 1.1. Latar Belakang Islam adalah agama yang memiliki dua pegangan yang sangat terpercaya, yaitu Al-Qur an dan Hadis. Hadis merupakan sumber ajaran dan hukum Islam kedua setelah dan
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 terperinciData Mining. Pengenalan Sistem & Teknik, Serta Contoh Aplikasi. Avinanta Tarigan. 22 Nov Avinanta Tarigan Data Mining
Data Mining Pengenalan Sistem & Teknik, Serta Contoh Aplikasi Avinanta Tarigan 22 Nov 2008 1 Avinanta Tarigan Data Mining Outline 1 Pengertian Dasar 2 Classification Mining 3 Association Mining 4 Clustering
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 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 terperinciDESAIN APLIKASI MAINTENANCE BTS FLEXI BERBASIS ANDROID
DESAIN APLIKASI MAINTENANCE BTS FLEXI BERBASIS ANDROID I Putu Agus Picastana, Joko Lianto Buliali picas.line@gmail.com, joko@cs.its.ac.id MAGISTER MANAJEMEN TEKNOLOGI INSTITUT TEKNOLOGI SEPULUH NOPEMBER
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 terperinciLEMBAR PENGESAHAN Batam, 21 Februari 2011 Pembimbing, Mir atul K. Mufida, S. ST NIK
LEMBAR PENGESAHAN Pembimbing, Mir atul K. Mufida, S. ST NIK. 109057 LEMBAR PERNYATAAN Dengan ini, saya: NIM : 3310801010 Nama : Maria Magdalena adalah mahasiswa Teknik Informatika Politeknik Negeri Batam
Lebih terperinciKata kunci: Sistem Informasi, poin of sale, aplikasi data mining, algoritma apriori, Borland Delphi, SQL 2000, Association rules.
PERANCANGAN DAN PEMBUATAN APLIKASI DATA MINING DENGAN MENGGUNAKAN ALGORITMA APRIORI PADA MINI MARKET X Norio Nurtanio / 0422115 Jurusan Teknik Elektro, Fakultas Teknik, Jalan Prof. Drg. Suria Sumantri
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 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 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 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 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 terperinciPROSES ELIMINASI WASTE DENGAN METODE WASTE ASSESSMENT MODEL & PROCESS ACTIVITY MAPPING PADA DISPENSING
Journal Industrial Manufacturing Vol. 3, No. 1, Januari 2018, pp. 45-50 P-ISSN: 2502-4582, E-ISSN: 2580-3794 PROSES ELIMINASI WASTE DENGAN METODE WASTE ASSESSMENT MODEL & PROCESS ACTIVITY MAPPING PADA
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 terperinciBAB IV HASIL DAN PEMBAHASAN. Studi literatur yang digunakan berasal dari buku-buku perpustakaan, e-
BAB IV HASIL DAN PEMBAHASAN 4.1 Pengumpulan Data dan Informasi Pengumpulan data dan informasi dilakukan di Apotek K24 Kalibutuh Surabaya. Pengumpulan data dan informasi yang digunakan dalam penelitian
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Perkembangan dunia perdagangan di Indonesia, khususnya pada industri grosir dan retail semakin ramai dan menuntut adanya inovasi tinggi. Ritel merupakan mata rantai
Lebih terperinci