FREQUENT ITEMSET MINING MENGGUNAKAN ALGORITMA PIE
|
|
- Hartanti Kurniawan
- 6 tahun lalu
- Tontonan:
Transkripsi
1 FREQUENT ITEMSET MINING MENGGUNAKAN ALGORITMA PIE Suhatati Tjandra Dosen Teknik Informatika Sekolah Tinggi Teknik Surabaya ABSTRAK Frequent itemset mining adalah algoritma yang digunakan utnuk mencari frequent itemset. Salah satu algorima yang dapat digunakan adalah Algoritma PIE ( Probabilistic Iterative Expansion). Algoritma PIE (Probabilistic Iterative Expansion) adalah sebuah algoritma frequent itemset mining (FIM) yang menggunakan probabilitas item sebagai dasar untuk men-generate kandidat-kandidat berikutnya. Para kandidat disimpan dalam sebuah trie dimana setiap path dari root menuju suatu node merepresentasikan sebuah kandidat itemset. Algoritma ini membentuk trie secara iteratif sampai semua frequent itemset ditemukan. Karena pembentukan trie inilah maka algoritma PIE membutuhkan waktu untuk melakukan kalkulasi. Algoritma ini diuji coba pada tiga dataset yaitu dataset Chess, Mushroom dan T10I4D100K dan kemudian dilakukan pencatatan waktu yang dibutuhkan untuk melakukan miningnya. Kata kunci: Data Mining, PIE, Probabilistic, Itemset, trie ABSTRACT Frequent Itemset Mining is algorithm which is used to find frequent itemset. Probabilistic Iterative Expansion (PIE) algorithm is one of Frequent Itemset Mining algorithms which use probabilistic to generate next candidates and the candidates is stored in a common trie data structure. This algorithm build trie iteratively until all frequent itemset was found.pie algorithm, need more times to calculate and build the trie. PIE algorithm be implemented for three datasets in order to record total time used for mining process. Keywords: Data Mining, PIE, Probabilistic, Itemset, trie PENDAHULUAN Algoritma PIE (Probabilistic Iterative Expansion) adalah sebuah algoritma frequent itemset mining (FIM) yang menggunakan probabilitas item sebagai dasar untuk men-generate kandidatkandidat berikutnya. Para kandidat disimpan dalam sebuah trie dimana setiap path dari root menuju suatu node merepresentasikan sebuah kandidat itemset. Algoritma ini membentuk trie secara iteratif sampai semua frequent itemset ditemukan. Secara garis besar proses mining dengan menggunakan algoritma PIE terdiri atas empat tahap yaitu tahap preprocessing, tahap pembentukan trie, tahap perhitungan frekuensi dan child error dan tahap ekspansi trie. Pada tahap preprocessing, algoritma mencari semua frequent 1-itemset dengan menelusuri database masukan sekaligus menyiapkan variablevariable yang dibutuhkan untuk pembentukan trie. Pada tahap kedua yaitu tahap pembentukan trie, algoritma membentuk trie berdasarkan probabilitas tiap item. Pada tahap ketiga algoritma menelusuri database masukan untuk menghitung frekuensi sekaligus child error dari setiap node pada trie. Proses ini bertujuan untuk memeriksa apakah ada virtual child dari setiap node pada trie yang berpotensi untuk di-expand. Pada tahap terakhir yaitu ekspansi trie, trie diperiksa apakah ada nodenode yang bisa di-expand. Proses ekspansi dilakukan dengan berdasarkan pada perhitunganperhitungan tertentu. STRUKTUR DATA YANG DIGUNAKAN Struktur data yang digunakan pada algoritma PIE adalah trie. Sebuah trie lengkap untuk n item akan 41
2 DINAMIKA TEKNOLOGI Vol. 3, No. 2; April 2009: 41-4 mempunyai node sebanyak 2n. Gambar 1 menunjukkan sebuah trie lengkap untuk 4 item. 1 Pada algoritma PIE, pembentukan trie secara lengkap seperti contoh diatas akan dihindari dengan menghitung probabilitas dari setiap node yang akan dibuat pada trie. Apabila nilai probabilitasnya lebih kecil dari relative minimum support, maka node tersebut tidak akan dibuat Gambar 1 Trie Lengkap Untuk 4 Item ALGORITMA PIE Algoritma PIE (Probabilistic Iterative Expansion) adalah sebuah algoritma data mining yang menggunakan probabilitas item sebagai dasar untuk men-generate kandidat-kandidat berikutnya. Para kandidat disimpan dalam sebuah trie dimana setiap path dari root menuju suatu node merepresentasikan sebuah kandidat itemset. Algoritma ini membentuk trie secara iteratif sampai semua frequent itemset ditemukan. Algoritma 1 Algoritma PIE Input: D (Database Transaksi); σ (Minimum Support Threshold) Output: Semua Frequent Itemset 1. [Baca dataset untuk preprocessing] 1.1 Scan D to do preprocessing 2. [Bentuk trie] 2.1 Build the trie based on items probabilities 3. [Hitung frekuensi dan child error] 3.1 Scan D to count items frequencies and child errors 4. [Set ready nodes] 4.1 Set ready nodes to 1 5. [Expand trie] 5.1 If trie contains not ready nodes 1 Attila Gyenesei dan Jukka Teuhola, Probabilistic Iterative Expansion of Candidates in Mining Frequent Itemsets, hal expand trie go to step else go to step end if 6. [Tampilkan hasil frequent itemset] 6.1 Output FreqItems Algoritma 1 merupakan algoritma utama pada algoritma PIE ini. Pertama-tama dataset yang telah dipersiapkan formatnya dibaca untuk melakukan proses preprocessing. Kemudian trie dibentuk berdasarkan probabilitas tiap item. Setelah itu database ditelusuri kembali untuk menghitung frekuensi sesungguhnya dari setiap node pada trie, sekaligus menghitung child error-nya. Apabila semua node pada trie mempunyai child error yang lebih kecil dari minimum support threshold, maka semua node tersebut adalah ready. Apabila ada node yang belum ready, maka proses ekspansi dilakukan dan diulangi lagi. Apabila semua node telah ready, maka hasil semua frequent itemset yang memenuhi minimum support threshold dapat dibaca dari trie. Algoritma 2 Algoritma Preprocessing Input : D (Database Transaksi); σ (Minimum Support Threshold) Output : Rminsup dan Alfa 1. [Initial steps] 1.1 scan D and collect the set F of frequent items 1.2 Alfa = average probability of items in F 1.3 iter = 0 Algoritma 2 merupakan algoritma untuk melakukan proses preprocessing pada algoritma PIE. Pada proses ini, database ditelusuri dan algoritma mencari semua frequent 1-itemset dan alfa. Alfa adalah sebuah konstanta bernilai antara 0 dan 1 yang akan digunakan pada tahap ekspansi dari trie. Cara mencari alfa adalah nilai rata-rata probabilitas semua frequent 1-itemset. Algoritma 3 Algoritma Pembentukan Trie Input : semua hasil dari proses preprocessing Output : PIE trie P 1. [Bentuk trie] 1.1 create a PIE trie P so that it contains all such ordered subsets S F for which (Prob(s S)). D >= σ 2. [Set ready nodes] 2.1 set the status of all nodes of P to not ready 42
3 Analisa Pencarian frequent Itemsets menggunakan Algoritma fp-max (Suhatati Tjandra) Algoritma 3 merupakan algoritma untuk membentuk trie pada algoritma PIE. Trie dibentuk berdasarkan probabilitas item, dimana apabila probabilitas suatu item lebih kecil dari relative minimum support, maka item tersebut tidak akan ditambahkan kedalam trie. Algoritma 4 Algoritma Ekspansi Trie Input : PIE trie P Output : expanded PIE trie P // the main loop : alternating count, test and expand 1. [Scan the database and check readiness] 1.1 scan D and count the support and pending support values for non ready nodes in P 2. [Test readiness of each node] 2.1 iter = iter for each node p P do if pending_support(p) < σ if p is a leaf set p ready else if the children of p are ready set p ready end if end if end if 2.3 end for 2.4 if root(p) is ready exit loop 2.5 end if 3. [Expansion phase] 3.1 for each non ready node p in P do if pending_support(p) >= σ for each virtual child v of p do compute local_prob(v) estim_support(v) = local_prob(v).pend ing_support(p) if estim_support(v) >= iter.σ create node v as the child of p add such ordered subsets S F\{1..v} as descendant paths of v, for which (Prob(s S)).estim_suppo rt(v) >= iter.σ end if end for end if 3.2 end for Algoritma 4 merupakan loop utama pada algoritma PIE. Algoritma ini akan secara bergantian melakukan tiga proses yaitu perhitungan frekuensi sebenarnya dari setiap node pada trie, pemeriksaan apakah ada node pada trie yang masih not ready dan proses ekspasi trie. Proses ekspansi trie ini akan dilakukan terus selama masih ada node pada trie yang belum ready. Algoritma 5 Algoritma Pembacaan Hasil Dari Trie Input : PIE trie P Output : Frequent Itemsets FP 1. [Baca hasil dari trie] 1.1 return the paths for nodes p in P such that support(p) >= σ Algoritma 5 merupakan algoritma untuk membaca semua hasil frequent itemset dari trie pada algoritma PIE. Algoritma ini akan mengembalikan semua path pada trie yang mana nilai support tiap node yang dilaluinya lebih besar atau sama dengan minimum support threshold. Contoh Kasus Tabel 1 Contoh Database Transaksi Tid Items Misalkan user melakukan proses mining semua frequent itemset dari sebuah database transaksi seperti yang ditunjukkan pada Tabel 1 dengan minimum support threshold dua transaksi. Database diasumsikan telah dalam format seperti pada Tabel 1 dan setiap item pada setiap transaksinya urut secara ascending. Langkah-langkah pembentukan trie pada algoritma PIE untuk contoh dataset di atas dengan minimum support threshold 50% (2 transaksi) adalah : 1. Preprocessing 43
4 DINAMIKA TEKNOLOGI Vol. 3, No. 2; April 2009: 41-4 Pertama-tama database akan dibaca sekali secara keseluruhan untuk mencari semua frequent 1- itemset. Karena minimum support threshold-nya adalah 2, maka semua item dengan kemunculan lebih kecil dari 2 tidak termasuk frequent item. Pada contoh database ini frequent item-nya adalah 1, 3, 4, 5 dan. Kemudian semua frequent item tersebut akan dimasukkan kedalam tabel frequent item seperti ditunjukkan pada Tabel 2. Tabel 2 Frequent Item Item Count Kemudian dicari nilai alfa, yaitu sebuah konstanta bernilai antara 0 dan 1 yang akan digunakan untuk perhitungan pada tahap ekspansi trie. Cara mencari alfa adalah nilai total nilai probabilitas semua frequent 1-itemset dibagi dengan total jumlah transaksi dalam database. Dalam contoh ini nilai alfa adalah : ((4/5)+(4/5)+(5/5)+(3/5)+(2/5))/5 = 0,2. Nilai relative minimum support (Rminsup) juga akan dicari. Rminsup digunakan pada saat pembentukan trie. Apabila nilai probabilitas suatu node lebih besar atau sama dengan Rminsup, maka node tersebut akan dibuat. Sebaliknya, apabila nilai probabilitasnya lebih kecil, maka node tersebut tidak akan dibuat. Hal ini bertujuan untuk menghindari trie explosion atau pembentukan trie secara lengkap. Cara mencari Rminsup adalah nilai minimum support dibagi dengan total jumlah transaksi dalam database. Dalam contoh ini nilai Rminsup adalah : (2/5) = 0,4. 2. Pembentukan Trie Setelah proses preprocessing selesai dilakukan, maka langkah selanjutnya adalah pembentukan trie. Untuk mempermudah penjelasan, trie akan dibentuk secara breadth first dan nilai item dari tiap node akan dituliskan. Sementara pada implementasi sesungguhnya, trie dibentuk secara depth first dan nilai item tiap node tidak akan disimpan. Pertama-tama dibentuk root dari trie. Root pada trie dari algoritma PIE adalah sebuah node dengan item kosong. Kemudian child dari root tersebut adalah semua frequent 1-itemset. Angka-angka yang ada disamping tiap node adalah probabilitas dari tiap node tersebut. Cara mencari probabilitas ini adalah nilai frekuensi item pada setiap transaksi pada database dibagi dengan total jumlah transaksi. Jadi misalkan untuk node 1 maka (4/5) = 0,8. Gambar 2 Root Dan Node-Node Level Pertama Kemudian proses selanjutnya adalah pembentukan child dari node-node level pertama. Proses ini diiterasi sebanyak jumlah frequent 1-itemset dikurangi 1. Karena pada contoh ini jumlah frequent 1-itemset adalah 5, maka trie akan selesai dibentuk setelah empat iterasi. Pada iterasi pertama child dari node 1 akan dibentuk. Semua frequent 1- itemset yang nilai item-nya lebih besar dari 1 akan dicari probabilitasnya. Apabila hasilnya lebih besar atau sama dengan Rminsup, maka node tersebut akan ditambahkan sebagai child dari node 1. Apabila hasilnya lebih kecil, maka node tersebut tidak akan dibuat dan digambar dengan garis putus-putus dan dinamakan virtual node. Virtual node ini pada tahap ekspansi trie akan diperiksa apakah dapat dimaterialisasi atau tidak. Misal untuk child pertama dari node 1 pada branch paling kiri yaitu node 3, nilai probabilitasnya adalah 0,64. Nilai ini didapat dari probabilitas item 3 sendiri, yaitu 0,8, dikalikan dengan probabilitas item 1, yaitu 0,8 juga. Karena hasilnya >= Rminsup (0,4) maka node 3 dibuat. Perhitungan ini berbeda dengan perhitungan probabilitas saat pembentukan child dari root diatas, karena dalam hal ini node 3 adalah child dari node 1, maka probabilitas node 1 harus disertakan pula. Gambar 3 Keadaan Child Pertama (Node 1) Dari Root Setelah Iterasi Pertama Pada iterasi kedua, child kedua dari root yaitu node 3 akan dicari child-nya. Caranya sama dengan 44
5 Analisa Pencarian frequent Itemsets menggunakan Algoritma fp-max (Suhatati Tjandra) proses iterasi pertama., yaitu semua frequent 1- itemset yang nilai item-nya lebih besar dari 3 akan dicari probabilitasnya. Apabila hasilnya lebih besar atau sama dengan Rminsup, maka node tersebut akan ditambahkan sebagai child dari node 3. Gambar 6 Keadaan Child Keempat (Node 5) Dari Root Setelah Iterasi Keempat 0,48 0,8 4 Gambar 4 Keadaan Child Kedua (Node 3) Dari Root Setelah Iterasi Kedua Pada iterasi ketiga, child kedua dari root yaitu node 4 akan dicari child-nya. Caranya sama dengan proses iterasi pertama dan kedua, yaitu semua frequent 1-itemset yang nilai item-nya lebih besar dari 4 akan dicari probabilitasnya. Apabila hasilnya lebih besar atau sama dengan Rminsup, maka node tersebut akan ditambahkan sebagai child dari node 4. 0,6 0,8 5 0,19 0,48 0, ,24 5 0,19 0,4 0,32 Apabila hasilnya lebih besar atau sama dengan Rminsup, maka node tersebut akan ditambahkan sebagai child dari node 5. Setelah iterasi keempat masih ada satu node child terakhir dari root, yaitu node. Akan tetapi karena item adalah frequent 1-itemset terbesar maka dia tidak mempunyai child. Oleh karena itu setelah menambahkan node sebagai child dari root maka trie telah terbentuk secara lengkap. Dapat dilihat pada trie hasil algoritma PIE hanya mempunyai 15 node. Jika dibandingkan dengan trie lengkap apabila semua node dibuat tanpa pemeriksaan probabilitas item, dimana terdapat 31 node, maka trie hasil algoritma PIE jauh lebih sedikit. Hal ini dilakukan untuk menghindari trie explosion atau pembuatan node-node pada trie yang belum tentu merupakan frequent itemset. 3. Perhitungan frekuensi dan child error Proses selanjutnya adalah penghitungan frekuensi sebenarnya dan child error dari tiap node pada trie. Hal ini dilakukan dengan menelusuri sekali lagi database secara keseluruhan dan hanya item yang frequent yang dipilih dari setiap transaksinya. Child error atau yang disebut juga PS (Pending Support) adalah sebuah variable yang digunakan untuk menyimpan informasi jumlah transaksi dalam database yang mengandung suatu node. Variable child error pada algoritma PIE digunakan pada tahap ekspansi trie. PS = 100 A Gambar 5 Keadaan Child Ketiga (Node 4) Dari Root Setelah Iterasi Ketiga B C D Pada iterasi keempat, child kedua dari root yaitu node 5 akan dicari child-nya. Caranya sama dengan proses iterasi pertama, kedua dan ketiga, yaitu semua frequent 1-itemset yang nilai item-nya lebih besar dari 5 akan dicari probabilitasnya. 0,6 E F G Gambar Ilustrasi Child Error 5 0,24 45
6 DINAMIKA TEKNOLOGI Vol. 3, No. 2; April 2009: 41-4 Misalkan nilai minimum support threshold untuk trie diatas adalah 80. Sebuah node A mempunyai child error = 100. Hal ini berarti pada database masukan terdapat 100 transaksi yang mengandung item sepanjang path dari root menuju node A tersebut, termasuk item C dan/atau item D. 2 Apabila nilai child error suatu node lebih besar atau sama dengan nilai minimum support threshold, maka ada kemungkinan salah satu atau kedua virtual child dari node tersebut adalah frequent, oleh karena itu node tersebut harus diperiksa untuk proses ekspansi. Bentuk tabel Trans seperti pada Tabel 3. Tabel ini berisi semua frequent item yang terdapat pada setiap transaksi pada database. Tabel 3 Frequent Item Tid Frequent Item Kemudian proses berikutnya adalah membaca setiap baris dari tabel Trans untuk perhitungan child error pada trie. Iterasi pertama akan memproses baris pertama dari Tabel Trans (3, 4, 5, ). Hal ini berarti hanya node-node level pertama dari root (Gambar 2) dengan item tersebut beserta semua child-nya pada trie yang akan diperiksa. Gambar 8 menunjukkan proses perhitungan child error pada node pertama dari baris pertama dari Tabel Trans. Gambar 8 Ilustrasi Perhitungan Child Error 4. Proses ekspansi trie 2 Attila Gyenesei dan Jukka Teuhola, Probabilistic Iterative Expansion of Candidates in Mining Frequent Itemsets, hal 3 Dengan berakhirnya iterasi kelima diatas, maka trie telah terbentuk secara lengkap. Langkah selanjutnya adalah memeriksa apakah semua node pada trie telah ready. Sebuah node dikatakan ready apabila : Nilai child error-nya lebih kecil dari minimum support threshold. Apabila nilai child error suatu node lebih besar atau sama dengan minimum support threshold, maka ada kemungkinan salah satu virtual child dari node tersebut frequent, oleh karena itu node tersebut harus di-expand. Semua child dari node tersebut telah ready. Atau dengan kata lain, apabila sebuah node tidak ready, maka parent-nya pasti juga tidak ready. Selanjutnya adalah proses ekspansi trie. Pertamatama dilakukan perhitungan ES (Estimated Support) terhadap semua virtual child dari sebuah node yang tidak ready. (5,0) (3,2) 4 5 (2,0) (3,2) Gambar 9 Node Yang Tidak Ready (Kuning) Trie ditelusuri secara depth first, jadi perhitungan dilakukan terhadap virtual node yang kiri terlebih dahulu. Apabila nilai ES sebuah virtual node lebih besar atau sama dengan nilai alfa dikalikan nilai minimum support threshold, maka virtual node tersebut akan dimaterialisasi. Nilai alfa dikalikan nilai minimum support threshold adalah = (0,2*2) = 1,44. Rumus untuk perhitungan ES adalah : ES(vi) = LP(vi). PS(parent(vi)) dimana : LP(vi) = local probability node vi. PS(parent(vi)) = pending support (child error) dari parent dari node vi. Sedangkan rumus untuk menghitung LP (Local Probability) dari sebuah virtual node adalah probabilitas node tersebut dibagi dengan probabilitas semua sibling-nya yang juga virtual. LP(vi) = prob(vi)/(1-(1-prob(v0)(1-prob(v1) (1- prob(vs)) 5 46
7 Analisa Pencarian frequent Itemsets menggunakan Algoritma fp-max (Suhatati Tjandra) Pertama-tama virtual node yang kiri bawah dihitung terlebih dahulu. Nilai probabilitas untuk node ini adalah 2/5 = 0,4. Perlu diketahui bahwa nilai probabilitas yang dihitung disini adalah nilai probabilitas single item tersebut, bukan yang sudah dikalikan dengan parent-nya seperti pada proses awal pembentukan trie. Jadi nilai local probability-nya adalah = 0,4/(1-(1-0,4)) = 1. Kemudian nilai estimated support-nya adalah = (1.2) = 2. Karena 2 > 1,44 maka virtual node ini dimaterialisasi. Untuk virtual node berikutnya yaitu virtual node yang kanan dapat dihitung dengan cara yang sama. Nilai probabilitas untuk node ini adalah 2/5 = 0,4. Jadi nilai local probability-nya adalah = 0,4/(1-(1-0,4)) = 1. Kemudian nilai estimated support-nya adalah = (1.2) = 2. Karena 2 > 1,44 maka virtual node ini juga dimaterialisasi. Selanjutnya algoritma akan membaca database masukan lagi untuk menghitung frekuensi sebenarnya dan child error dari setiap node yang baru dimaterialisasi tadi. Apabila child error semua node pada trie telah < dari minimum support threshold, maka trie dapat dikatakan telah ready dan semua path dari trie yang mempunyai node yang support-nya lebih besar atau sama dengan minimum support threshold adalah hasil dari proses mining algoritma ini. Tetapi apabila masih terdapat node dengan child error >= minimum support threshold, maka trie dikatakan belum ready dan algoritma kembali ke proses ekspansi. Apabila tidak ada lagi node pada trie yang tidak ready setelah proses ekpansi pertama ini, maka trie telah selesai dibentuk dan semua hasil frequent itemset dapat dibaca dari trie. Tabel 4 Frequent Itemset Yang Dihasilkan Itemset Count Itemset Count {1} 4 {3, 5} 2 {1, 3} 3 {4} 5 {1, 3, 4} 3 {4, 5} 3 {1, 4} 4 {4, 5, } 2 {1, 4, 5} 2 {4, } 2 {1, 5} 2 {5} 3 {3} 4 {5, } 2 {3, 4} 4 {} 2 {3, 4, 5} 2 Untuk proses generate rule dapat dilakukan dengan algoritma strong association rule. Misal untuk itemset {1, 3, 4} dengan confidence = 0, rule yang dihasilkan dapat dilihat pada Tabel 5. Tabel 5 Association Rule Untuk Itemset {1, 3, 4} (Confidence = 0) Rule Support Confidence {1} {3, 4} 3/5 3/4 {3} {1, 4} 3/5 3/4 {4} {1, 3} 3/5 3/5 {1, 3} {4} 3/5 3/3 {1, 4} {3} 3/5 3/4 {3, 4} {1} 3/5 3/4 HASIL UJI COBA Algoritma ini diuji cobakan pada tiga dataset yaitu dataset Chess,Mushroom dan T10I4D100K. Dataset Chess merupakan dense data set dengan 3196 transaksi dan 5 item Tabel 6 Waktu Yang dibutuhkan untuk me-mining dataset Chess Minimum Waktu yang diperlukan Support 50% 00:32:23:500 60% 00:05:03:19 0% 00:00:5:906 80% 00:00:03:89 90% 00:00:00:234 Dataset Mushroom merupakan less dense dataset dengan 8124 transaksi dan 119 item Tabel Waktu Yang dibutuhkan untuk me-mining dataset Mushroom Minimum Support Waktu yang diperlukan 10% 00:31:42:516 20% 00:00:43:453 30% 00:00:01:125 40% 00:00:00:29 50% 00:00:00:110 Dataset T10I4D100K merupakan sparse dataset dengan transaksi dan 1000 item Tabel 8 Waktu Yang dibutuhkan untuk me-mining dataset T10I4D100K 4
8 DINAMIKA TEKNOLOGI Vol. 3, No. 2; April 2009: 41-4 Minimum Support Waktu yang diperlukan 0.6% 00:00:04: % 00:00:02:844 1% 00:00:02: % 00:00:01:34 1.4% 00:00:01:203 Untuk dataset dense seperti chess, nilai minimum support yang diberikan harus tinggi dan sebaliknya untuk dataset sparse seperti T10I4D100K, nilai minimum support yang diberikan harus rendah. Hal ini dikarenakan pada dataset dense transaksi satu dengan lainnya banyak yang mirip. Oleh karena itu besar kemungkinan sebuah item untuk menjadi frequent. Sebaliknya untuk dataset sparse, transaksi satu dengan lainnya jarang yang mirip. Oleh karena itu kecil kemungkinan sebuah item untuk menjadi frequent. in Mining Frequent Itemsets, Turku Centre for Computer Science, Department of Information Technology, University of Turku, Finland. 2. Jiawei Han dan Micheline Kamber, Data Mining, Concepts and Techniques, Morgan Kaufmann Publishers. 340 Pine Street, Sixth Floor, San Fransisco, USA, R. Agrawal dan R. Srikant, Fast Algorithms for Mining Association Rules, Proceedings of the 20th International Conference on Very Large Databases, Santiago, Chile, PENUTUP Semakin tinggi nilai minimum support, semakin sedikit waktu yang diperlukan oleh untuk melakukan mining dan semakin sedikit pula frequent itemset yang dihasilkan. Hal ini dikarenakan apabila nilai support tinggi, maka jumlah frequent item pada database yang memenuhi nilai tersebut akan semakin sedikit, sehingga trie semakin kecil. Sebaliknya, semakin rendah nilai minimum support, semakin banyak waktu yang diperlukan oleh melakukan mining dan semakin banyak pula frequent itemset yang dihasilkan. Untuk dataset dense seperti chess, nilai minimum support yang diberikan harus tinggi dan sebaliknya untuk dataset sparse seperti T10I4D100K, nilai minimum support yang diberikan harus rendah. Hal ini dikarenakan pada dataset dense transaksi satu dengan lainnya banyak yang mirip. Oleh karena itu besar kemungkinan sebuah item untuk menjadi frequent. Sebaliknya untuk dataset sparse, transaksi satu dengan lainnya jarang yang mirip. Oleh karena itu kecil kemungkinan sebuah item untuk menjadi frequent. Algoritma PIE memakai memory yang cukup besar, hal ini dikarenakan algoritma PIE melakukan kalkulasi setiap akan membentuk sebuah node. DAFTAR PUSTAKA 1. Attila Gyenesei dan Jukka Teuhola, Probabilistic Iterative Expansion of Candidates 48
ANALISA 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 terperinciFREQUENT ITEMSET MINING MENGGUNAKAN ALGORITMA DF-APRIORI
REQUENT ITEMSET MINING MENGGUNAKAN ALGORITMA D-APRIORI Suhatati Tjandra Dosen Teknik Informatika Sekolah Tinggi Teknik Surabaya e-mail : tati@stts.edu ABSTRAK requent itemset mining adalah algoritma yang
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 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 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 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 terperinciIMPLEMENTASI ALGORITMA APRIORI UNTUK MENEMUKAN FREQUENT ITEMSET DALAM KERANJANG BELANJA
Teknologi Elektro, Vol. 15, No.2, Juli - Desember 2016 27 IMPLEMENTASI ALGORITMA APRIORI UNTUK MENEMUKAN FREQUENT ITEMSET DALAM KERANJANG BELANJA Adie Wahyudi Oktavia Gama 1, I Ketut Gede Darma Putra 2,
Lebih terperinciPENERAPAN ALGORITMA APRIORI ASSOCIATION RULE UNTUK ANALISA NILAI MAHASISWA DI UNIVERSITAS GUNADARMA
PENERAPAN ALGORITMA APRIORI ASSOCIATION RULE UNTUK ANALISA NILAI MAHASISWA DI UNIVERSITAS GUNADARMA Margi Cahyanti 1), Maulana Mujahidin 2), Ericks Rachmat Swedia 3) 1) Sistem Informasi Universitas Gunadarma
Lebih terperinciPENGENALAN POLA TRANSAKSI SIRKULASI BUKU PADA DATABASE PERPUSTAKAAN MENGGUNAKAN ALGORITMA GENERALIZED SEQUENTIAL PATTERN
PENGENALAN POLA TRANSAKSI SIRKULASI BUKU PADA DATABASE PERPUSTAKAAN MENGGUNAKAN ALGORITMA GENERALIZED SEQUENTIAL PATTERN Supardi 1, Dian Eka Ratnawati, Wayan Firdaus Mahmudy Universitas Brawijaya Malang
Lebih terperinciIMPLEMENTASI ALGORITMA-ALGORITMA ASSOCIATION RULES SEBAGAI BAGIAN DARI PENGEMBANGAN DATA MINING ALGORITHMS COLLECTION
IMPLEMENTASI ALGORITMA-ALGORITMA ASSOCIATION RULES SEBAGAI BAGIAN DARI PENGEMBANGAN DATA MINING ALGORITHMS COLLECTION Yova Ruldeviyani 1), Muhammad Fahrian 2) Fakultas Ilmu Komputer - Universitas Indonesia
Lebih terperinciALGORITMA PARALEL FP-GROWTH UNTUK PENGGALIAN KAIDAH ASOSIASI PADA JARINGAN KOMPUTER
ALGORITMA PARALEL FP-GROWTH UNTUK PENGGALIAN KAIDAH ASOSIASI PADA JARINGAN KOMPUTER F.X. Arunanto, Syaiful Isman Jurusan Teknik Informatika, Fakultas Teknologi Informasi, Institut Teknologi Sepuluh Nopember
Lebih terperinciANALISA POLA DATA HASIL PEMBANGUNAN KABUPATEN MALANG MENGGUNAKAN METODE ASSOCIATION RULE
ANALISA POLA DATA HASIL PEMBANGUNAN KABUPATEN MALANG MENGGUNAKAN METODE ASSOCIATION RULE Dewi Sibagariang 1), Karina Auliasari 2) 1.2) Jurusan Teknik Informatika, Institut Teknologi Nasional Malang Jalan
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 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 terperinciCust. 1 : milk, bread, cereal. Cust. 2 : milk, bread, Sugar, eggs. Cust. 3 : milk, bread, butter
Mining Association Rules in Large Databases S1 Teknik Informatika Fakultas Teknologi Informasi Universitas Kristen Maranatha Agenda Pendahuluan Association Rule Mining Market Basket Analysis Basic Concept
Lebih 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 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 terperinciANALISIS KETERKAITAN DATA TRANSAKSI PENJUALAN BUKU MENGGUNAKAN ALGORITMA APRIORI DAN ALGORITMA CENTROID LINKAGE HIERARCHICAL METHOD (CLHM)
ANALISIS KETERKAITAN DATA TRANSAKSI PENJUALAN BUKU MENGGUNAKAN ALGORITMA APRIORI DAN ALGORITMA CENTROID LINKAGE HIERARCHICAL METHOD (CLHM) Nurani 1, Hamdan Gani 2 1 nurani_nanni@yahoo.com, 2 hamdan.gani.inbox@gmail.com
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 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 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 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 terperinciBAB I PENDAHULUAN. Data mining memungkinkan penemuan pola-pola yang menarik, informasi yang
1 BAB I PENDAHULUAN Bab pendahuluan ini membahas tentang latar belakang masalah yaitu fenomena perkembangan data yang terus bertambah tetapi informasi yang dihasilkan monoton, sehingga diperlukan data
Lebih terperinciAplikasi 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 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 terperinciPERBANDINGAN ALGORITMA APRIORI DAN ALGORITMA CT-Pro PADA KOMODITAS EKSPOR DAN IMPOR SKRIPSI ELISA SEMPA ARIHTA KABAN
PERBANDINGAN ALGORITMA APRIORI DAN ALGORITMA CT-Pro PADA KOMODITAS EKSPOR DAN IMPOR SKRIPSI ELISA SEMPA ARIHTA KABAN 101421012 PROGRAM STUDI EKSTENSI S1 ILMU KOMPUTER FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI
Lebih terperinciPengembangan Aplikasi Market Basket Analysis Menggunakan Algoritma Generalized Sequential Pattern pada Supermarket
Pengembangan Aplikasi Market Basket Analysis Menggunakan Algoritma Generalized Sequential Pattern pada Supermarket Gunawan 1), Alex Xandra Albert Sim 2), Fandi Halim 3), M. Hawari Simanullang 4), M. Firkhan
Lebih terperinciPENERAPAN 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 terperinciPEMANFAATAN DATA MINING UNTUK MENGETAHUI POLA PEMBELIAN MASYARAKAT PADA SALAH SATU MINIMARKET DI KOTA MAKASSAR
PEMANFAATAN DATA MINING UNTUK MENGETAHUI POLA PEMBELIAN MASYARAKAT PADA SALAH SATU MINIMARKET DI KOTA MAKASSAR Sadly Syamsuddin, Nasaruddin Program StudiSistemInformasi, STMIK Dipanegara, Makassar e-mail:
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 terperinciASSOCIATION RULE. Rachmat Selamet. Sekolah Tinggi Manajemen Informatika dan Komputer LIKMI Jl. Ir. H. Juanda 96 Bandung 40132
Media Informatika Vol. 7 No. 1 (2008) ASSOCIATION RULE Rachmat Selamet Sekolah Tinggi Manajemen Informatika dan Komputer LIKMI Jl. Ir. H. Juanda 96 Bandung 40132 Abstrak E-mail : if25005@students.itb.ac.id
Lebih terperinciPENDAHULUAN TINJAUAN PUSTAKA
Latar Belakang PENDAHULUAN Web merupakan salah satu sarana untuk menyediakan berbagai informasi pada jaringan internet. Adanya hyperlink pada web memungkinkan pengguna menjelajahi web untuk mencari informasi
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 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 terperinci1 st Seminar on Application and Research in Industrial Technology, SMART Yogyakarta, 27 April 2006
Metode Market Basket Analysis menggunakan Algoritma Pincer Search untuk Sistem Pembantu Pengambilan Keputusan Gregorius S. Budhi, Leo W. Santoso, Edward Susanto Jurusan Teknik Informatika, Fakultas Teknologi
Lebih 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 terperinciALGORITMA GENERALIZED SEQUENTIAL PATTERN UNTUK MENGGALI DATA SEKUENSIAL SIRKULASI BUKU PADA PERPUSTAKAAN UK PETRA
ALGORITMA GENERALIZED SEQUENTIAL PATTERN UNTUK MENGGALI DATA SEKUENSIAL SIRKULASI BUKU PADA PERPUSTAKAAN UK PETRA Gregorius Satia Budhi 1, Andreas Handojo, Christine Oktavina Wirawan 1,, Jurusan Teknik
Lebih terperinciERROR-TOLERANT FASCICLES UNTUK COLLABORATIVE FILTERING ABSTRAK
ERROR-TOLERANT FASCICLES UNTUK COLLABORATIVE FILTERING Gunawan, Herman Budianto, Dody Soegiharto, dan Indra Maryati Jurusan Teknik Informatika Sekolah Tinggi Teknik Surabaya gunawan@stts.edu, herman@stts.edu,
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 terperinciALGORITMA GENERALIZED SEQUENTIAL PATTERN UNTUK MENGGALI DATA SEKUENSIAL SIRKULASI BUKU PADA PERPUSTAKAAN UK PETRA
ALGORITMA GENERALIZED SEQUENTIAL PATTERN UNTUK MENGGALI DATA SEKUENSIAL SIRKULASI BUKU PADA PERPUSTAKAAN UK PETRA Gregorius Satia Budhi 1, Andreas Handojo, Christine Oktavina Wirawan 1,, Jurusan Teknik
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 terperinciPENERAPAN METODE ASOSIASI MENGGUNAKAN ALGORITMA APRIORI PADA APLIKASI ANALISA POLA BELANJA KONSUMEN (Studi Kasus Toko Buku Gramedia Bintaro)
JURNAL TEKNIK INFORMATIKA VOL 9 NO. 2, OKTOBER 2016 120 PENERAPAN METODE ASOSIASI MENGGUNAKAN ALGORITMA APRIORI PADA APLIKASI ANALISA POLA BELANJA KONSUMEN (Studi Kasus Toko Buku Gramedia Bintaro) Dewi
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 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 terperinciPenelitian ini melakukan pencarian
7 Penelitian ini melakukan pencarian () berdasarkan urutan proses dalam bagan alir minimal non-redundant association rules mining yang ditampilkan pada Gambar 3. Penelitian ini menggunakan hasil praproses
Lebih 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 terperinciKecerdasan Buatan. Penyelesaian Masalah dengan Pencarian... Pertemuan 02. Husni
Kecerdasan Buatan Pertemuan 02 Penyelesaian Masalah dengan Pencarian... Husni Lunix96@gmail.com http://komputasi.wordpress.com S1 Teknik Informatika, STMIK AMIKOM, 2013 Outline Konsep Pencarian Pencarian
Lebih terperinciPENGEMBANGAN ALGORTIMA APRIORI UNTUK PENGAMBILAN KEPUTUSAN TEKNIK INFORMATIKA
PENGEMBANGAN ALGORTIMA APRIORI UNTUK PENGAMBILAN KEPUTUSAN TEKNIK INFORMATIKA TESIS LISMARDIANA SEMBIRING NIM: 137038025 PROGRAM STUDI S2 TEKNIK INFORMATIKA FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
Lebih 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 terperinciDATA MINING ANALISA POLA PEMBELIAN PRODUK DENGAN MENGGUNAKAN METODE ALGORITMA APRIORI
DATA MINING ANALISA POLA PEMBELIAN PRODUK DENGAN MENGGUNAKAN METODE ALGORITMA APRIORI Heroe Santoso 1), I Putu Hariyadi 2), Prayitno 3) 1), 2),3) Teknik Informatika STMIK Bumigora Mataram Jl Ismail Marzuki
Lebih terperinciSISTEM 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 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 terperinciPENGGALIAN POLA CLOSED SEQUENTIAL PADA BASIS DATA YANG BERTAMBAH SECARA BERTAHAP
PENGGALIAN POLA CLOSED SEQUENTIAL PADA BASIS DATA YANG BERTAMBAH SECARA BERTAHAP Budanis Dwi Meilani* dan Arif Djunaidy** Jurusan Teknik Informatika ITS, Surabaya 60111, email: **budanis@yahoo.com, **adjunaidy@its.ac.id
Lebih terperinciPENGEMBANGAN APLIKASI PENGGALIAN TOP-K FREQUENT CLOSED CONSTRAINED GRADIENT ITEMSETS PADA BASIS DATA RETAIL
PENGEMBANGAN APLIKASI PENGGALIAN TOP-K FREQUENT CLOSED CONSTRAINED GRADIENT ITEMSETS PADA BASIS DATA RETAIL Dhiani Tresna Absari dan Arif Djunaidy Fakultas Teknologi Informasi, Institut Teknologi Sepuluh
Lebih terperinciPERANCANGAN POLA PEMBELIAN SAHAM BERDASARKAN PEKERJAAN NASABAH DENGAN METODE ASSOCIATION RULE PT XYZ
PERANCANGAN POLA PEMBELIAN SAHAM BERDASARKAN PEKERJAAN NASABAH DENGAN METODE ASSOCIATION RULE PT XYZ 1, Akhsani Taqwiym 2, Hafiz Irsyad 3 1 Manajemen Informatika, AMIK Multi Data Palembang 2 Komputerisasi
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 terperinciIMPLEMENTASI ALGORITMA APRIORI UNTUK MENGANALISA POLA PEMBELIAN PRODUK PADA DATA TRANSAKSI PENJUALAN
IMPLEMENTASI ALGORITMA APRIORI UNTUK MENGANALISA POLA PEMBELIAN PRODUK PADA DATA TRANSAKSI PENJUALAN 1 Wendi Wirasta, 2 Zaki Prasasti 1 Program Studi Teknik Informatika, STMIK LPKIA Bandung 2 Program Studi
Lebih terperinciPENGGALIAN FREQUENT CLOSED ITEMSETS DENGAN MULTIPLE MINIMUM SUPPORT PADA BASISDATA RETAIL
Vol. 5, No. 4, Juli 010 ISSN 016-0544 PENGGALIAN FREQUENT CLOSED ITEMSETS DENGAN MULTIPLE MINIMUM SUPPORT PADA BASISDATA RETAIL Endah Purwanti Program Studi Sistem Informasi, Fakultas Sains dan Teknologi,
Lebih 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 terperinciHal penting dalam menentukan keberhasilan sistem cerdas adalah kesuksesan dalam pencarian.
Hal penting dalam menentukan keberhasilan sistem cerdas adalah kesuksesan dalam pencarian. 3 Teknik Search menentukan simpul mana yang dibuat lebih dulu dan mana yang kemudian sampai ditemukannya simpul
Lebih terperinciPEMANFAATAN ASSOCIATION RULE MINING DALAM MEMBANTU PENCARIAN DOKUMEN-DOKUMEN BERITA YANG SALING BERKAITAN
PEMANFAATAN ASSOCIATION RULE MINING DALAM MEMBANTU PENCARIAN DOKUMEN-DOKUMEN BERITA YANG SALING BERKAITAN Hermawan Andika Institut Informatika Indonesia andika@iii.ac.id Suhatati Tjandra Sekolah Tinggi
Lebih terperinciKecerdasan Buatan Penyelesaian Masalah dengan Pencarian
Kecerdasan Buatan Pertemuan 02 Penyelesaian Masalah dengan Pencarian Kelas 10-S1TI-03, 04, 05 Husni Lunix96@gmail.com http://komputasi.wordpress.com S1 Teknik Informatika, STMIK AMIKOM, 2012 Outline Pendahuluan
Lebih terperinciPENERAPAN DATA MINING UNTUK MENGETAHUI POLA ASOSIASI ANTARA DATA MAHASISWA DAN TINGKAT KELULUSAN MENGGUNAKAN ALGORITMA FOLD-GROWTH
PENERAPAN DATA MINING UNTUK MENGETAHUI POLA ASOSIASI ANTARA DATA MAHASISWA DAN TINGKAT KELULUSAN MENGGUNAKAN ALGORITMA FOLD-GROWTH Betha Nurina Sari1, Drs.Muh. Arif Rahman M.Kom2, Yusi Tyroni Mursityo,S.Kom,M.S.3
Lebih terperinciMarket Basket Analysis Menggunakan Algoritme Apriori Market Basket Analysis Using Apriori Algorithm
Prosiding Statistika ISSN: 2460-6456 Market Basket Analysis Menggunakan Algoritme Apriori Market Basket Analysis Using Apriori Algorithm 1 Faris Lailatul Ramdhan, 2 Anneke Iswani Achmad, 3 Aceng Komarudin
Lebih terperinciBAB II LANDASAN TEORI
4 BAB II LANDASAN TEORI 2.1 Tinjauan Studi Banyak penelitian dilakukan dalam menganalisis keranjang pasar untuk rekomendasi produk. Hal ini dapat dilihat dari banyaknya buku-buku, jurnal ilmiah dan conference
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 terperinciImplementasi data mining menggunakan metode apriori (studi kasus transaksi penjualan barang)
Implementasi data mining menggunakan metode apriori (studi kasus transaksi penjualan barang) Maya Suhayati,M.Kom. Jurusan Teknik Informatika, STMIK Sumedang mayasuh@stmik-sumedang.ac.id ABSTRAK Dalam suatu
Lebih 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 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 terperinciIMPLEMENTASI DATA MINING MENGGUNAKAN METODE APRIORI PADA TRANSAKSI PENJUALAN BARANG (STUDI KASUS DI CHORUS MINIMARKET)
Implementasi Data Mining Menggunakan Metode Apriori Pada Transaksi Penjualan Barang (Studi Kasus Di Chorus Minimarket) IMPLEMENTASI DATA MINING MENGGUNAKAN METODE APRIORI PADA TRANSAKSI PENJUALAN BARANG
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 terperinciPENGGUNAAN MARKET BASKET ANALYSIS DALAM DATA MINING
PENGGUNAAN MARKET BASKET ANALYSIS DALAM DATA MINING Narwati Dosen Fakultas Teknologi Informasi Abstrak Jumlah data yang sangat besar pada suatu perusahaan atau dalam suatu transaksi bisnis, merupakan suatu
Lebih terperinciIMPLEMENTASI DATA MINING MENGGUNAKAN ALGORITMA ECLAT
IMPLEMENTASI DATA MINING MENGGUNAKAN ALGORITMA ECLAT Syafina Dwi Arinda 1, Sulastri 2 1,2 Fakultas Teknologi Informasi, Universitas Stikubank Semarang e-mail: 1 syafinadwi96@gmail.com, 2 sulastri@unisbank.ac.id
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 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 terperinciPerkembangan Algoritma untuk Menghitung Pola yang Sering Muncul pada Basis Data yang Besar
Perkembangan Algoritma untuk Menghitung Pola yang Sering Muncul pada Basis Data yang Besar Rosyidah Khairun Nafisah NIM 13506107 Program Studi Teknik Informatika, Sekolah Teknik Elektro dan Informatika
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Pengertian Data, Informasi dan Knowledge Data merupakan fakta yang dikumpulkan, disimpan, dan diproses boleh sebuah sistem informasi. Selain deskripsi dari sebuah fakta, data
Lebih terperinciAplikasi Data Mining dengan Menggunakan Teknik ARM untuk Pengolahan Informasi Rendemen Obat
Aplikasi Data Mining dengan Menggunakan Teknik ARM untuk Pengolahan Informasi Rendemen Obat Wiwin Suwarningsih Pusat Penelitian Informatika, LIPI wiwin@informatika.lipi.go.id Abstrak Rendemen obat merupakan
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 terperinciData Mining Dengan Algoritma Apriori untuk Penentuan Aturan Asosiasi Pola Pembelian Pupuk
Data Mining Dengan Algoritma Apriori untuk Penentuan Aturan Asosiasi Pola Pembelian Pupuk Amrin Program Studi Teknik Komputer AMIK Bina Sarana Informatika Jakarta Jl. R.S Fatmawati no. 24 Pondok Labu,
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 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 3 ANALISA DAN PERENCANAAN
BAB 3 ANALISA DAN PERENCANAAN Bab ini menjelaskan mengenai analisa yang dibutuhkan dalam implementasi algoritma. Selain itu juga menjelaskan mengenai perencanaan langkah-langkah yang akan dilakukan dalam
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 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 terperinciAplikasi Data Mining untuk meneliti Asosiasi Pembelian Item Barang di Supermaket dengan Metode Market Basket Analysis
Aplikasi Data Mining untuk meneliti Asosiasi Pembelian Item Barang di Supermaket dengan Metode Market Basket Analysis ANDREAS HANDOJO, GREGORIUS SATIA BUDHI, HENDRA RUSLY Jurusan Teknik Informatika Universitas
Lebih 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 terperinciIMPLEMENTASI ALGORITMA FOLD-GROWTH PADA PEMODELAN POLA PEMBELIAN BARANG SEBAGAI PENDUKUNG PENENTUAN LETAK BARANG
IMPLEMENTASI ALGORITMA FOLD-GROWTH PADA PEMODELAN POLA PEMBELIAN BARANG SEBAGAI PENDUKUNG PENENTUAN LETAK BARANG Bq Desy Hardianti 1, Mira Kania Sabariah, ST., MT. 2, Alfian Gozali Akbar, ST. MT. 3 1,2,3
Lebih terperinciProses Data Mining dalam Sistem Pembelajaran Berbantuan Komputer
Proses Data Mining dalam Sistem Pembelajaran Berbantuan Komputer Mewati Ayub Jurusan Teknik Informatika, Fakultas Teknologi Informasi Universitas Kristen Maranatha, Bandung Email : mewati.ayub@eng.maranatha.edu
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 terperinciBAB II TINJAUAN PUSTAKA. mewakilkan objek dan peristiwa yang memiliki arti dan sangat penting bagi
BAB II TINJAUAN PUSTAKA 2.1. Pengertian Data Data belum dapat dika/takan mempunyai makna penting atau informasi bagi penerima sebelum dilakukan pengolahan data. Data adalah fakta yang dapat dicatat dan
Lebih terperinciPENERAPAN METODE ASSOCIATION RULE MINING MENGGUNAKAN ALGORITMA APRIORI UNTUK MENEMUKAN POLA PEMINJAMAN BUKU
PENERAPAN METODE ASSOCIATION RULE MINING MENGGUNAKAN ALGORITMA APRIORI UNTUK MENEMUKAN POLA PEMINJAMAN BUKU TUGAS AKHIR Sebagai Persyaratan Guna Meraih Gelar Sarjana Strata 1 Teknik Informatika Universitas
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 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 terperinciAssociation Rule Mining Pada Data Geokimia Pemboran
EKSPLORA INFORMATIKA 131 Association Rule Mining Pada Data Geokimia Pemboran Gusti Ngurah Mega Nata STMIK STIKOM Bali mega.fuzzy@gmail.com Abstrak Mengetahui korelasi atau asosiasi kemunculan mineral pada
Lebih terperinciTujuan Instruksional
Pertemuan 4 P E N C A R I A N T A N P A I N F O R M A S I B F S D F S U N I F O R M S E A R C H I T E R A T I V E D E E P E N I N G B I D I R E C T I O N A L S E A R C H Tujuan Instruksional Mahasiswa
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 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 terperinciPENERAPAN DECISION TREE UNTUK PENENTUAN POLA DATA PENERIMAAN MAHASISWA BARU
PENERAPAN DECISION TREE UNTUK PENENTUAN POLA DATA PENERIMAAN MAHASISWA BARU Aradea, Satriyo A., Ariyan Z., Yuliana A. Teknik Informatika Universitas Siliwangi Tasikmalaya Ilmu Komputer Universitas Diponegoro
Lebih terperinciREKOMENDASI SOLUSI PADA COMPUTER MAINTENANCE MANAGEMENT SYSTEM MENGGUNAKAN ASSOCIATION RULE, KOEFISEN KORELASI PHI DAN CHI-SQUARE
REKOMENDASI SOLUSI PADA COMPUTER MAINTENANCE MANAGEMENT SYSTEM MENGGUNAKAN ASSOCIATION RULE, KOEFISEN KORELASI PHI DAN CHI-SQUARE Farid Sukmana 1) dan Joko Lianto Buliali 2) 1) Management of Information
Lebih terperinci