Lili Tanti. STMIK Potensi Utama, Jl. K.L. Yos Sudarso Km. 6,5 No. 3A Tj. Mulia Medan ABSTRACT
|
|
- Ridwan Hardja
- 6 tahun lalu
- Tontonan:
Transkripsi
1 Lili, Penerapan Data Mining Untuk 35 PENERAPAN DATA MINING UNTUK MENENTUKAN JUMLAH MAHASISWA PADA SATU DAERAH DENGAN MENGGUNAKAN METODE ALGORITMA APRIORI Lili Tanti lili@potensi-utama.ac.id STMIK Potensi Utama, Jl. K.L. Yos Sudarso Km. 6,5 No. 3A Tj. Mulia Medan ABSTRACT Data Mining is a technigue for finding useful information from a large database. One of the approahes to find out the information is to identify the association rules that show the relationship among different items. In this study, the writer uses an aappoach of association rules that is apriori algorithm for analyzing students data. The purpose of this study is to see the trend of management and informatic computer school student Potensi Utama-Medan than can provide information to the institution in finding the target area for marketing their products. The data obtained from the field research are processed using a program designed by the writer using data mining application program. Keyword : data mining, metode algorithma apriori, association rules PENDAHULUAN Pada umumnya perusahaan/institusi mengumpulkan informasi melalui sistem database yang berguna untuk menampung data transaksi, kemudian nantinya data tersebut diolah sehingga dapat diketahui tingkat dan volume suatu pemasaran produknya pada suatu waktu tertentu dan sebagainya, sehingga seorang manajer perusahaan/institusi dapat mengatur strategi pemasaran bagi perusahaannya. Terkadang hasil dari pengolahan data dengan cara sederhana (query) tidak mendapatkan hasil yang efektif karena demikian besarnya volume data yang diolah dan kesulitan untuk melihat asosiasi data tersebut. Dengan demikian perlu adanya suatu sistem yang dapat mendukung manajer dalam mengambil keputusan, secara cepat dan juga tepat, oleh karena itu diperlukan suatu sistem pengolahan database dengan aplikasi data mining dengan metode Algoritma Apriori yang bekerja dengan cara, mencari dan menemukan pola pola yang berasosiasi diantara produk-produk yang ditawarkan/dipasarkan, misalnya : menemukan perioritas jumlah mahasiswa untuk satu daerah. Data mining adalah menemukan knowledge dari data yang terkandung didalam database. Data mining merupakan suatu teknik yang digunakan untuk mengekstrak knowledge dalam database secara otomatis dan lebih baik. assosiation rule adalah teknik data mining yang digunakan untuk menemukan aturan assosiatif antara suatu kombinasi item untuk menemukan support dan confidence di dalam database. (li pingxiang, 1999) Algoritma apriori merupakan algoritma yang banyak digunakan untuk menggali itemsets yang sering muncul (frequent itemsets) untuk Boolean association rules. (Leo Willyanto Santoso, 1999). Assosiation rule analysis yang merupakan salah satu cara untuk melakukan data mining. Hasil yang didapatkan dari proses data mining ini nantinya dijadikan suatu knowledge baru yang dapat digunakan oleh sebuah institusi untuk meningkatkan produksi maupun pemasaran produk-produknya. Misalkan jika manajer institusi tersebut telah mengetahui perioritas daerah mahasiswa, maka salah satu tindakan konkrit yang dapat diambil oleh pihak institusi dapat mengatur strategi untuk pemasaran produknya sesuai dengan informasi dan pengetahuan yang telah didapatkannya tadi. Tindakan lainnya, mungkin institusi bisa juga meningkatkan lagi pengiklanan item-item yang berasosiasi tersebut, semua ini tergantung kepada bagaimana strategi institusi dalam menghadapi pasar. Dengan adanya data mining terhadap data transaksi pemasaran produknya, perguruan tersebut minimal mengetahui dengan lebih
2 Lili, Penerapan Data Mining Untuk 36 baik bagaimana mereka harus mengatur strategi pemasaran agar dapat meningkatkan kemajuan institusi tersebut. PEMBAHASAN Analisa dan perancangan Masalah utama adalah menemukan bagaimana cara yang termudah dalam pencarian knowledge mengenai data mahasiwa STMIK Potensi Utama Medan. Oleh karena itu penulis merancang sebuah Program Data Mining yang User-friendly, agar dapat memudahkan institusi dalam mengatur strategi untuk memasarkan produk-produknya. 1. Data Preparation Data yang didapatkan merupakan data primer yaitu data yang didapatkan langsung dari data mahasiswa STMIK Potensi Utama Medan. Biodata ini didapat dari formulir pendaftaran mahasiswa. Terdapat sekitar 11 bagian yang harus diisi oleh mahasiswa yaitu : (1) Nama Mahasiswa, (2) Tempat/Tanggal Lahir, (3) Alamat, (4) Jenis Kelamin, (5) Tamatan, (6) Kota/Kabupaten, (7) Program Studi, (8) Data Orang Tua : (a) Nama Bapak, (b) Nama Ibu, (c) Alamat. a. Select Data Dari 10 bagian pada data mahasiswa, yang dapat dijadikan parameter pada penelitian ini hanya ada beberapa parameter yaitu : Kotamadya/Kabupaten, Konsentrasi_Tamatan. Di mana kita hanya melihat pola mahasiswa STMIK Potensi Utama. Untuk mempermudah proses perhitungan secara manual maka masing-masing item tersebut diubah kedalam bentuk huruf sebagai berikut : Tabel 1. Klasifikasi Kotamadya/Kabupaten Kode Nama daerah A Binjai B Deli Serdang C Labuhan Deli D Medan Alasan pengelompokkan Kotamadya/Kabupaten menjadi empat bagian adalah diambil dari pengelompokkan mahasiswa STMIK Potensi Utama. Tabel 2. Klasifikasi Konsentrasi Asal Sekolah Kode Kosentrasi E MAN F MAS G SMA H SMK Alasan pengelompokan Konsentrasi menjadi empat bagian adalah diambil dari pengelompokkan bidang konsentrasi asal sekolah (tamatan) mahasiswa STMIK Potensi Utama. b. Integrate Data Data-data yang dikumpulkan dalam proses data mahasiswa seringkali ditempatkan pada lokasi yang berbeda-beda. Maka dari itu dibutuhkan kemampuan dari sistem untuk dapat mengumpulkan data dengan cepat. c. Modelling Model yang akan dipergunakan pada penelitian ini adalah association rules mining dengan menggunakan program apriori yang merupakan implementasi dari algoritma apriori. Pada program
3 Lili, Penerapan Data Mining Untuk 37 apriori yang digunakan dalam penelitian ini, hasil dari association rules mining akan dinyatakan dalam bentuk support dan confidence dari masing-masing rules yang dihasilkan. Frequent itemset juga akan ditampilkan dalam bentuk tabel. Hasil dari program inilah yang nantinya akan penulis analisa lebih lanjut, akan dilihat rule-rule apa saja yang sering muncul. 2. Analisa Data dengan Algoritma Apriori Data-data yang telah mengalami tahapan data mining, selanjutnya diolah dengan teknik association rule menggunakan algoritma apriori. Nilai minimum support yang dipergunakan adalah 70% dan minimum confidence adalah 100%. Berikut ini adalah langkah-langkah dalam algoritma apriori untuk mengekstrak association rule : Tabel 3. Contoh Database Mahasiswa Kode Item MI Pagi-A A B C D F G H MI Pagi-B B D G H SI Pagi-A A B C D F G Si Pagi-B A B C D E F G SI Pagi-C B D E G H TI Pagi-A A B C D G H TI Pagi-B A B C D G H TI Pagi-C B D G H Pada tabel 3 berisi item daerah yang telah dirubah kedalam bentuk kode untuk mempermudah pembacaan data tersebut dan dikelompokkan berdasarkan program studi dan kelas. Data tabel 3 akan dipakai untuk memperlihatkan cara kerja algoritma apriori. Tahapan-tahapan dalam yang akan dilakukan dalam algoritma apriori adalah sebagai berikut : Tahap 1 : Menelusuri seluruh record di basis data mahasiswa dan menghitung support count dari masing-masing item. Ini adalah kandidat 1-itemset, C1. Tabel 4. Candidate 1-itemset Candidate 1-Item Set A 5 /8 =63% B 8 /8 =100% C 5 /8 =63% D 8 /8 =100% E 2 /8 =25% F 3 /8 =38% G 8 /8 =100% H 6 /8 =75% Pada tabel 4 menerangkan pencarian nilai support dimana support count dari data mahasiswa dari masing-masing item dan kemudian dibagi dengan total transaksi(kode) dikali dengan 100 %. Tahap 2 : Large 1_itemset L1 dibangun dengan menyaring C1 dengan support count yang lebih besar sama dengan minimum support untuk dimasukkan ke dalam L1. Tabel 5. Frequent 1-itemset Frequent 1-itemset B 8 /8 =100% D 8 /8 =100% G 8 /8 =100% H 6 /8 =75%
4 Lili, Penerapan Data Mining Untuk 38 Pada tabel 5 menyaring itemset dari tabel 4.4 dengan nilai support lebih besar sama dengan nilai minimum support 70%. Tahap 3 : Untuk membangun L2, algoritma apriori menggunakan proses join untuk menghasilkan C2. Untuk candidat 2-itemset, dari 5 item dapat menghasilkan kombinasi 2-itemset yang memungkinkan sebanyak : 2 4! C4 6 kombinasi 2!(4 2)! Tabel 6. Candidate 2-itemset Candidate 2-itemset B, D 8 /8 =100% B, G 8 /8 =100% B, H 6 /8 =75% D, G 8 /8 =100% D, H 6 /8 =75% G, H 6 /8 =75% Pada tabel 6 menerangkan pencarian nilai support dimana support count dari data mahasiswa dari kombinasi 2 item dan kemudian dibagi dengan total transaksi(kode) dikali dengan 100% dan dapat dilihat pada rumus berikut ini : B D Support B D JumlahTransaksi 8 Support B D 100% 8 Tahap 4 : Dari C2, 2-itemset yang memiliki support count yang lebih besar sama dengan minimum support akan disimpan kedalam L2. Tabel 7. Frequent 2-itemset Frequent 2-itemset B, D 8 /8 =100% B, G 8 /8 =100% B, H 6 /8 =75% D, G 8 /8 =100% D, H 6 /8 =75% G, H 6 /8 =75% Pada tabel 7 menyaring itemset dari tabel 4.6 dengan nilai support lebih besar sama dengan nilai minimum support 70% Tahap 5 : Untuk membangun L3, algoritma apriori menggunakan proses join untuk menghasilkan C3. Untuk candidat 3-itemset, dari 5 item dapat menghasilkan kombinasi 3-itemset Tabel 8. Candidate 3-itemset Candidate 3-itemset B, D, G 8 /8 =100% B, D, H 6 /8 =75% B, G, H 6 /8 =75% D, G, H 6 /8 =75%
5 Lili, Penerapan Data Mining Untuk 39 Pada tabel 8 menerangkan pencarian nilai support dimana support count dari data mahasiswa dari kombinasi 3 item dan kemudian dibagi dengan total transaksi(kode) dan dapat dilihat pada rumus berikut ini : B D G Support B D G JumlahTransaksi 8 Support B D G 100% 8 Tahap 6 : Dari C3, 3-itemset yang memiliki support count yang lebih besar sama dengan minimum support akan disimpan kedalam L3. Tabel 9. Frequent 3-itemset Frequent 3-itemset B, D, G 8 /8 =100% B, D, H 6 /8 =75% B, G, H 6 /8 =75% D, G, H 6 /8 =75% Pada tabel 9 menyaring itemset dari tabel 4.8 dengan nilai support lebih besar sama dengan nilai minimum support 70% Tahap 7 : Untuk membangun L4, algoritma apriori menggunakan proses join untuk menghasilkan C4. Untuk candidat 4-itemset, dari 5 item dapat menghasilkan kombinasi 4-itemset. Tabel 10. Candidate 4-itemset Candidate 4-itemset B,D, G, H 6 /8 =75% Pada tabel 10 menerangkan pencarian nilai support dimana support count dari data mahasiswa dari kombinasi 4 item dan kemudian dibagi dengan total transaksi(kode) dan dapat dilihat pada rumus berikut ini : B D G H Support B D G H JumlahTransaksi Support B D G H % Tahap 8 : Dari C4, 4-itemset yang memiliki support count yang lebih besar sama dengan minimum support akan disimpan kedalam L4. Tabel 11. Frequent 4-itemset Frequent 4-itemset B,D, G, H 6 /8 = 75% Pada tabel 11 menyaring itemset dari tabel 4.10 dengan nilai support lebih besar sama dengan nilai minimum support 70% Tahapan-tahapan algoritma apriori dihentikan pada tahap ke-9, karena pada tahap berikutnya untuk candidate 6-itemset tidak ditemukan lagi frequent itemset yang memenuhi syarat minimum support sebesar 70%. Hasil maksimal frequent itemset adalah {B, D, G, H}.
6 Lili, Penerapan Data Mining Untuk 40 Untuk pembangkitan aturan asosiasi dari large itemset, harus memenuhi minimum support dan minimum confidence yang telah ditentukan. Confidence dari setiap aturan yang dibangkitkan dapat dihitung dengan menggunakan rumus : Confidence (A B)= P(B/A) = support count (A B)/support count(a) Dimana, support count (A B) adalah jumlah transaksi yang berisi itemset A dan B support count (A) adalah jumlah transaksi yang berisi itemset A. Berdasarkan rumus diatas aturan asosiasi dapat dibangkitkan dengan langkah : Support count (1) / support count (s) = minimum confidence a. Untuk setiap itemset 1, bangkitkan seluruh subset 1 yang tidak kosong. b. Untuk setiap subset s dari 1 yang tidak kosong, buat aturan s (s-1) jika support count (1) / support count (s) >= minimum confidence. Tahap 9 : Gunakan frequent itemset untuk membangun kaidah asosiasi. Tabel 12. Kaidah Asosiasi Item Support Confidence B D 100% 100% D B 100% 100% B G 100% 100% G B 100% 100% B H 75% 75% H B 75% 100% D G 100% 100% G D 100% 100% D H 75% 75% H D 75% 100% G H 75% 75% H G 75% 100% B, D G 100% 100% B,G D 100% 100% D, G B 100% 100% B, D H 75% 75% B, H D 75% 100% D, H B 75% 100% B, G H 75% 75% B, H G 75% 100% G, H B 75% 100% D, G H 75% 75% D, H G 75% 100% G, H D 75% 100% B, D, G H 75% 75% B, D, H G 75% 100% B, G, H D 75% 100% D, G, H B 75% 100% Pada tabel 12 menampilkan kaidah asosiasi dengan algoritma apriori dimana menampilkan nilai support dan nilai confidence. Tabel 13. Best Associaton Rules Item Support Confidence B D 100% 100% D B 100% 100%
7 Lili, Penerapan Data Mining Untuk 41 B G 100% 100% G B 100% 100% H B 75% 100% D G 100% 100% G D 100% 100% H D 75% 100% H G 75% 100% B, D G 100% 100% B,G D 100% 100% D, G B 100% 100% B, H D 75% 100% D, H B 75% 100% B, H G 75% 100% G, H B 75% 100% D, H G 75% 100% G, H D 75% 100% B, D, H G 75% 100% B, G, H D 75% 100% D, G, H B 75% 100% Dari pengamatan diatas dapat diambil kesimpulan dengan nilai minimum support 70 % dan nilai minimum confidence 100 % sebagai berikut : Rule Pertama : Nilai support 100% menunjukkan bahwa mahasiswa berasal dari Deli Serdang, Medan dan Tamatan dari SMA. Sedangkan nilai confidence 100% menunjukkan bahwa 100% mahasiswa Potensi Utama berasal dari daerah Labuhan Deli, Deli Serdang, Medan dan juga Tamatan dari SMA. Rule Kedua : Nilai support 100% menunjukkan bahwa mahasiswa berasal dari Deli Serdang, SMA dan Medan. Sedangkan nilai confidence 100% menunjukkan bahwa 100 % mahasiswa Potensi Utama berasal dari daerah Deli Serdang, SMA dan juga Medan. Rule Ketiga : Nilai support 100% menunjukkan bahwa mahasiswa berasal dari Medan, SMA dan Deli Serdang. Sedangkan nilai confidence 100% menunjukkan bahwa 100 % mahasiswa Potensi Utama berasal dari daerah Medan, SMA dan juga Deli Serdang. Rule Keempat : Nilai support 75% menunjukkan bahwa mahasiswa berasal dari Deli Serdang, SMK dan Medan. Sedangkan nilai confidence 100% menunjukkan bahwa 75% mahasiswa Potensi Utama berasal dari daerah Medan, SMA dan juga Deli Serdang. Rule Kelima : Nilai support 75% menunjukkan bahwa mahasiswa berasal dari Medan, SMK dan Deli Serdang. Sedangkan nilai confidence 100% menunjukkan bahwa 75% mahasiswa Potensi Utama berasal dari daerah Medan, SMK dan juga Deli Serdang Rule Keenam : Nilai support 75% menunjukkan bahwa mahasiswa berasal dari Deli Serdang, SMK dan SMA. Sedangkan nilai confidence 100% menunjukkan bahwa 75% mahasiswa Potensi Utama berasal dari daerah Deli Serdang, SMK dan juga SMA. Rule Ketujuh : Nilai support 75 % menunjukkan bahwa mahasiswa berasal dari SMK dan SMA, SMK dan Deli Serdang Sedangkan nilai confidence 100% menunjukkan bahwa 75% mahasiswa Potensi Utama berasal dari daerah Deli Serdang, SMK dan juga SMA. Rule Kedelapan : Nilai support 75% menunjukkan bahwa mahasiswa berasal dari Medan, SMK dan SMA Sedangkan nilai confidence 100% menunjukkan bahwa 75% mahasiswa Potensi Utama berasal dari daerah Medan, SMK dan juga SMA.
8 Lili, Penerapan Data Mining Untuk 42 Rule Kesembilan : Nilai support 75% menunjukkan bahwa mahasiswa berasal dari SMK dan SMA dan Medan Sedangkan nilai confidence 100% menunjukkan bahwa 75% mahasiswa Potensi Utama berasal SMK dan SMA dan juga Medan. Rule Kesepuluh : Nilai support 75% menunjukkan bahwa mahasiswa berasal dari SMK dan SMA dan Medan Sedangkan nilai confidence 100% menunjukkan bahwa 75% mahasiswa Potensi Utama berasal SMK dan SMA dan juga Medan. Rule Kesebelas : Nilai support 75% menunjukkan bahwa mahasiswa berasal dari Medan, SMK dan SMA dan Deli Serdang Sedangkan nilai confidence 100% menunjukkan bahwa 75% mahasiswa Potensi Utama berasal SMK dan SMA dan juga Medan. Penambangan Aturan Data mahasiswa STMIK Potensi utama. Tujuan dari penelitian ini adalah untuk mengetahui apakah sistem ini dapat digunakan untuk menambang aturan dari data yang nyata. Kemudian mencari jawaban ciri-ciri dari mahasiswa STMIK Potensi Utama setiap tahunnya, sehingga dapat menghasilkan suatu keputusan untuk lebih meningkatkan perioritas pemasaran produk-produk di pasaran agar dapat diperoleh hasil yang lebih maksimal dan efektif. Implementasi Untuk pengujian dari data mahasiswa digunakan Program Apriori yang bertujuan menganalisa pola mahasiswa.
9 Lili, Penerapan Data Mining Untuk 43 Simpulan dan Saran Simpulan Berdasarkan hasil pengujian sistem, maka dapat diambil kesimpulan sebagai berikut : Dengan adanya sistem yang diterapkan dengan menggunakan metode algoritma apriori memberikan kemudahan dalam mengetahui knowledge di dalam data mahasiswa setiap tahunnya sehingga dapat memberikan decision kepada institusi untuk menetapkan target pasar didalam memasarkan produk-produknya. Di dalam data mahasiswa yang selama ini tidak begitu digunakan, sebenarnya terkandung informasi yang penting untuk institusi STMIK Potensi Utama. Saran Adapun saran-saran yang akan diberikan penulis dalam penelitian ini adalah sebagai berikut: Metode algoritma apriori sudah dapat menggali data yang tersembunyi dengan baik. Tetapi lebih baik lagi bila digabung dengan beberapa teknik data mining sehingga dapat diperoleh hasil yang lebih maksimal lagi. Berdasarkan pada pengujian yang telah dilakukan masih banyak kekurangan, kelemahan dan jauh dari kesempurnaan. Sehingga perlu beberapa pengembangan lagi agar kinerjanya lebih baik dan tentunya yang paling penting dapat menghasilkan informasi yang baik dan perhitungan yang akurat. DAFTAR RUJUKAN Willyanto Santoso, Leo (1999), Jurnal Pembuatan Perangkat Lunak Data Mining Untuk Penggalian Kaidah Asosiasi Menggunakan Metode Apriori, Pingxiang, Li dkk (2007), Journal A Developed Algorithm Of Apriori BasedOn association Analysis Ayub, Mewati (2007), Proses Data Mining dalam Sistem Pembelajaran Berbantuan Komputer, Bandung
PENERAPAN 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 terperinci2.2 Data Mining. Universitas Sumatera Utara
Basis data adalah kumpulan terintegrasi dari occurences file/table yang merupakan representasi data dari suatu model enterprise. Sistem basisdata sebenarnya tidak lain adalah sistem penyimpanan-record
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Perusahaan ritel yang menyediakan berbagai kebutuhan berkembang pesat bukan hanya di kota besar saja tetapi juga di kota-kota kecil. Untuk memperoleh keuntungan yang
Lebih terperinciAPLIKASI DATA MINING UNTUK 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 terperinciBAB I PENDAHULUAN. dalam suatu sistem basis data melalui aplikasi sistem informasi manajemen. Dari
BAB I PENDAHULUAN I.1. Latar Belakang Persaingan yang semakin ketat dalam penjualan menuntut para pebisnis untuk menemukan suatu strategi yang dapat meningkatkan penjualan dan pemasaran produk yang dijual,
Lebih terperinciBAB III METODE PENELITIAN. Metode penelitian merupakan suatu prosedur beserta tahapan-tahapan yang
BAB III METODE PENELITIAN Metode penelitian merupakan suatu prosedur beserta tahapan-tahapan yang tersusun secara jelas dan sistematis guna menyelesaikan suatu permasalahan yang sedang diteliti dengan
Lebih terperinciBAB II TINJAUAN PUSTAKA. Turban mendefinisikan Decision Support System sebagai sekumpulan
BAB II TINJAUAN PUSTAKA 2.1 Decision Support System Turban mendefinisikan Decision Support System sebagai sekumpulan prosedur berbasis model untuk data pemrosesan dan penilaian guna membantu para pengambilan
Lebih 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 terperinciAPLIKASI MONITORING KETERSEDIAAN STOK BARANG MINIMARKET DENGAN METODE MARKET BASKET ANALYSIS (MBA)
Seminar Nasional Teknologi Informasi dan Multimedia 2016 APLIKASI MONITORING KETERSEDIAAN STOK BARANG MINIMARKET DENGAN METODE MARKET BASKET ANALYSIS (MBA) Sugiyatno 1), Adhika Pramita Widyasari 2) 1),
Lebih terperinciIMPLEMENTASI ALGORITMA APRIORI DALAM MENENTUKAN PERSEDIAAN OBAT
IMPLEMENTASI ALGORITMA APRIORI DALAM MENENTUKAN PERSEDIAAN OBAT Gusti Ahmad Syaripudin 1), Edi Faizal 2) 1) Teknik Informatika STMIK El Rahma Yogyakarta 1) Jl. Sisingamangaraja No. 76, Karangkajen, Brontokusuman,
Lebih terperinciBAB I PENDAHULUAN. Kemajuan teknologi saat ini membuat samartphone hadir dengan berbagai
BAB I PENDAHULUAN I. 1. Latar Belakang Kemajuan teknologi saat ini membuat samartphone hadir dengan berbagai macam model dan fitur, sehingga masyarakat banyak membeli smartphone yang sesuai dengan keinginan
Lebih terperinciBAB I PENDAHULUAN. frekuensi tinggi antar himpunan itemset yang disebut fungsi Association
1 BAB I PENDAHULUAN 1.1 Latar Belakang Belakangan ini data mining telah diimplementasikan keberbagai bidang, diantaranya dalam bidang bisnis atau perdangangan, dan telekomunikasi. Data Mining diartikan
Lebih 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 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 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 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 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 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 terperinciBAB I PENDAHULUAN Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Perkembangan dan persaingan dalam dunia bisnis perdagangan serta kemajuan teknologi informasi merupakan suatu hal yang saling terkait, dalam ketatnya persaingan pasar
Lebih terperinciBAB I PENDAHULUAN I-1
BAB I PENDAHULUAN 1.1 Latar Belakang Permasalahan Banyaknya persaingan dalam dunia bisnis khususnya dalam industri penjualan, menuntut para pengembang untuk menemukan suatu strategi yang dapat meningkatkan
Lebih terperinciUKDW BAB I PENDAHULUAN
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Untuk dapat meningkatkan penjualan, pengambil keputusan / manajer toko harus dapat memperhatikan faktor-faktor yang mempengaruhi secara langsung. Salah satu
Lebih terperinciPENGGUNAAN ALGORITMA APRIORI UNTUK MENENTUKAN REKOMENDASI STRATEGI PENJUALAN PADA TOSERBA DIVA SKRIPSI
PENGGUNAAN ALGORITMA APRIORI UNTUK MENENTUKAN REKOMENDASI STRATEGI PENJUALAN PADA TOSERBA DIVA SKRIPSI Diajukan Untuk Memenuhi Salah Satu Syarat Guna Memperoleh Gelar Sarjana Komputer (S.Kom.) Pada Program
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 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 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 terperinciANALISA DAN PERANCANGAN APLIKASI ALGORITMA APRIORI UNTUK KORELASI PENJUALAN PRODUK (STUDI KASUS : APOTIK DIORY FARMA)
ANALISA DAN PERANCANGAN APLIKASI ALGORITMA APRIORI UNTUK KORELASI PENJUALAN PRODUK (STUDI KASUS : APOTIK DIORY FARMA) Harvei Desmon Hutahaean 1, Bosker Sinaga 2, Anastasya Aritonang Rajagukguk 2 1 Program
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 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 terperinciJurnal Edik Informatika Penelitian Bidang Komputer Sains dan Pendidikan Informatika V1.i1(52-62)
Analisa Pola Peminjaman Buku Perpustakaan Menggun Algoritma Apriori Azwar Anas Program Studi Pendidikan Informatika, STKIP PGRI Sumbar aans_07@yahoo.co.id http://dx.doi.org/10.22202/jei.2014.v1i1.1439
Lebih terperinciJURNAL IPTEKS TERAPAN Research of Applied Science and Education V10.i2 (81-85)
IMPLEMENTASI ALGORITMA APRIORI DALAM MENENTUKAN PROGRAM STUDI YANG DIAMBIL MAHASISWA Ahmad Fikri Fajri Sistem Informasi, STMIK Jayanusa, Padang, Sumatera Barat, Kode Pos : 25116 email: fajri.bayang@gmail.com
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 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 terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Berbagai penemuan terbaru di dalam pengumpulan dan penyimpanan data telah memungkinkan berbagai organisasi untuk mengumpulkan berbagai data (data pembelian, data nasabah,
Lebih 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 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 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 terperinciBAB I PENDAHULUAN. baik. Maka para pengelola harus mencermati pola-pola pembelian yang dilakukan
BAB I PENDAHULUAN I.1. Latar Belakang Jumlah pasar swalayan yang terus berkembang membuat para pengelolaswalayan juga dituntut untuk menerapkan strategi pemasaran yang lebih baik. Maka para pengelola harus
Lebih terperinciRANCANG BANGUN APLIKASI DATA MINING ANALISIS TINGKAT KELULUSAN MENGGUNAKAN ALGORITMA FP-GROWTH (Studi Kasus Di Politeknik Negeri Malang)
RANCANG BANGUN APLIKASI DATA MINING ANALISIS TINGKAT KELULUSAN MENGGUNAKAN ALGORITMA FP-GROWTH (Studi Kasus Di Politeknik Negeri Malang) Naufal Farras Hilmy 1, Banni Satria Andoko 2 Program Studi Teknik
Lebih terperinciBAB I PENDAHULUAN. mahasiswa yang seringkali meminjam buku harus mencari sendiri dirak rak
BAB I PENDAHULUAN I.1 Latar Belakang Perpustakaan merupakan salah satu fasilitas penyedia informasi,sumber ilmu pengetahuan,dan sarana penunjang proses kegiatan belajar bagi pengguna untuk mendapatkan
Lebih terperinciBAB I PENDAHULUAN. yakni teknik mesin, teknik elektro dan teknik informatika. Namun bagi para calon
BAB I PENDAHULUAN I.1. Latar Belakang Sekolah Tinggi Teknologi Sinar Husni (STT. Sinar Husni) memiliki mahasiswa yang mayoritasnya adalah para pekerja, oleh karena itu banyak para pekerja yang melanjutkan
Lebih terperinciAssocation Rule. Data Mining
Assocation Rule Data Mining Association Rule Analisis asosiasi atau association rule mining adalah teknik data mining untuk menemukan aturan assosiatif antara suatu kombinasi item. Aturan yang menyatakan
Lebih terperinciIMPLEMENTASI ALGORITMA APRIORI DAN FP-GROWTH DALAM MARKET BASKET ANALYSIS PEMBELIAN OBAT PADA SUATU APOTEK SKRIPSI RAISSA ADITYA RAHAYU
IMPLEMENTASI ALGORITMA APRIORI DAN FP-GROWTH DALAM MARKET BASKET ANALYSIS PEMBELIAN OBAT PADA SUATU APOTEK SKRIPSI RAISSA ADITYA RAHAYU 111421072 PROGRAM STUDI EKSTENSI S1 ILMU KOMPUTER FAKULTAS ILMU KOMPUTER
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 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 terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Dalam periode enam tahun terakhir (tahun 2007 2012), jumlah gerai ritel modern di Indonesia mengalami pertumbuhan rata-rata 17,57% per tahun. Pada tahun 2007, jumlah
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Dalam kehidupan sehari-hari kebutuhan akan informasi yang akurat sangat dibutuhkan dalam perkembangan masyarakat saat ini dan waktu mendatang. Namun kebutuhan informasi
Lebih terperinciIMPLEMENTASI ALGORITMA APRIORI PADA APOTEK RMC DALAM MENENTUKAN PERSEDIAAN OBAT
IMPLEMENTASI ALGORITMA APRIORI PADA APOTEK RMC DALAM MENENTUKAN PERSEDIAAN OBAT Gusti Ahmad Syaripudin Teknik Informatika STMIK El-Rahma Yogyakarta e-mail: first234boy@gmail.com Abstract In daily activities,
Lebih terperinciPENERAPAN METODE APRIORI ASOSIASI TERHADAP PENJUALAN PRODUCT COSMETIC UNTUK MENDUKUNG STRATEGI PENJUALAN
PENERAPAN METODE APRIORI ASOSIASI TERHADAP PENJUALAN PRODUCT COSMETIC UNTUK MENDUKUNG STRATEGI PENJUALAN SKRIPSI Diajukan untuk memenuhi salah satu syarat guna memperoleh gelar Sarjana Komputer (S.Kom)
Lebih terperinciPENERAPAN ALGORITMA APRIORI UNTUK TRANSAKSI PENJUALAN OBAT PADA APOTEK AZKA
PENERAPAN ALGORITMA APRIORI UNTUK TRANSAKSI PENJUALAN OBAT PADA APOTEK AZKA Winda Aprianti 1), Jaka Permadi 2), Oktaviyani 3) 1)2)3) Teknik Informatika, Politeknik Negeri Tanah Laut Jl. A. Yani Km. 06
Lebih terperinciBAB III ANALISA DAN DESAIN SISTEM
36 BAB III ANALISA DAN DESAIN SISTEM Tahapan ini merupakan tahapan utama dalam penelitian, dalam tahapan pengembangan sistem metode yang akan dipakai adalah Rapid Application Development dan tahapan Data
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang Masalah Identifikasi Masalah Masalah Umum
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah 1.1.1 Identifikasi Masalah 1.1.1.1. Masalah Umum Situasi kondisi perekonomian yang ada pada saat ini menunjukkan adanya perkembangan dunia usaha semakin pesat
Lebih terperinciJURNAL IMPLEMENTASI DATA MINING PADA PENJUALAN SEPATU DENGAN MENGGUNAKAN ALGORITMA APRIORI
JURNAL IMPLEMENTASI DATA MINING PADA PENJUALAN SEPATU DENGAN MENGGUNAKAN ALGORITMA APRIORI IMPLEMENTATION OF DATA MINING ON THE SALE OF SHOES WITH ALGORITHMS USING APRIORI Oleh : VERNANDA NOVRINI BUDIYASARI
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang Pelaku bisnis saat ini dituntut selalu inovatif untuk dapat bersaing dengan kompetitor. Bisnis retail seperti Apotek merupakan bisnis dengan persaingan yang sangat
Lebih terperinciBAB I PENDAHULUAN. Toko central menjual berbagai macam aksesoris hp untuk masyarakat yang
BAB I PENDAHULUAN I.1. Latar Belakang Toko central menjual berbagai macam aksesoris hp untuk masyarakat yang akan membeli. Toko central menyediakan aksesoris hp sesuai dengan banyaknya permintaan dari
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 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 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 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 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 terperinciPENGGALIAN KAIDAH MULTILEVEL ASSOCIATION RULE DARI DATA MART SWALAYAN ASGAP
PENGGALIAN KAIDAH MULTILEVEL ASSOCIATION RULE DARI DATA MART SWALAYAN ASGAP Teguh Pradana 1) 1) Program Studi/Prodi Teknik Informatika, STMIK Yadika, email: INTI_PERSADA_SOFTWARE@yahoo.co.id Abstrak: Perkembangan
Lebih terperinciBAB 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakang Association rules mining merupakan teknik data mining untuk menentukan hubungan diantara data atau bagaimana suatu kelompok data mempengaruhi suatu kelompok data lain
Lebih terperinciBAB II TINJAUAN PUSTAKA
DAFTAR ISI LEMBAR PENGESAHAN... i SURAT PERNYATAAN... ii ABSTRACT... iii ABSTRAKSI... iv KATA PENGANTAR... v DAFTAR ISTILAH... vii DAFTAR ISI... ix DAFTAR TABEL... xii DAFTAR GAMBAR... xiv DAFTAR SIMBOL...
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 terperinciANALISA DATA PENJUALAN OBAT DENGAN MENGGUNAKAN ALGORITMA APRIORI PADA RUMAH SAKIT UMUM DAERAH H. ABDUL MANAN SIMATUPANG KISARAN
ANALISA DATA PENJUALAN OBAT DENGAN MENGGUNAKAN ALGORITMA APRIORI PADA RUMAH SAKIT UMUM DAERAH H. ABDUL MANAN SIMATUPANG KISARAN Chintia Oktavia Simbolon (0911456) Mahasiswa Program Studi Teknik Informatika,
Lebih 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 DENGAN ALGORITMA APRIORI PADA TOKO BANGUNAN UD. RUFI SENTOSA JAYA SAMBIREJO - PARE
IMPLEMENTASI DATA MINING DENGAN ALGORITMA APRIORI PADA TOKO BANGUNAN UD. RUFI SENTOSA JAYA SAMBIREJO - PARE SKRIPSI Diajukan Untuk Memenuhi Sebagian Syarat Guna Memperoleh Gelar Sarjana Komputer (S.Kom.)
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang 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 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 III ANALISIS DAN DESAIN SISTEM
BAB III ANALISIS DAN DESAIN SISTEM III.1. Analisis Masalah Kebutuhan akan teori dalam dunia pendidikan sangat besar. Teori banyak di tulis ke dalam sebuah buku maupun jurnal. Pada universitas potensi utama,
Lebih terperinciJURNAL IMPLEMENTASI DATA MINING PADA TRANSAKSI PENJUALAN BIBIT BUAH DENGAN ALGORITMA APRIORI (STUDI KASUS: UD BUAH ASRI)
JURNAL IMPLEMENTASI DATA MINING PADA TRANSAKSI PENJUALAN BIBIT BUAH DENGAN ALGORITMA APRIORI (STUDI KASUS: UD BUAH ASRI) IMPLEMENTATION DATA MINING OF SALES TRANSACTION FRUIT SEEDLING WITH ALGORITHM APRIORI
Lebih terperinciPENERAPAN DATA MINING UNTUK MENGOLAH DATA IMPOR EKSPOR IKAN DENGAN MENGGUNAKAN METODE ASSOCIATION RULE
PENERAPAN DATA MINING UNTUK MENGOLAH DATA IMPOR EKSPOR IKAN DENGAN MENGGUNAKAN METODE ASSOCIATION RULE Ratih Puspasari1), Irma Yanti Buluran2) 1), 2) Manajemen Informatika Universitas Potensi Utama Sistem
Lebih terperinciSISTEM REKOMENDASI PAKET MAKANAN DENGAN ALGORITMA FP-GROWTH PADA RESTORAN SEAFOOD XYZ
SISTEM REKOMENDASI PAKET MAKANAN DENGAN ALGORITMA FP-GROWTH PADA RESTORAN SEAFOOD XYZ Pahridila Lintang 1),Muhammad Iqbal 2), Ade Pujianto 3) 1), 2, 3) Teknik Informatika STMIK AMIKOM Yogyakarta Jl Ring
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang
BAB I PENDAHULUAN Pada bab ini berisi tentang latar belakang pembuatan dari aplikasi penentuan rekomendasi pencarian buku perpustakaan menggunakan algoritma fp-growth, rumusan masalah, tujuan, batasan
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN
BAB III ANALISIS DAN PERANCANGAN III.1 Analisis Permasalahan Keputusan selama ini yang dilakukan oleh Toko Buku Sembilan Wali Medan untuk menentukan buku apa saja yang paling potensial dijual berdasarkan
Lebih terperinciAPLIKASI DATA MINING UNTUK ANALISIS ASOSIASI POLA PEMBELIAN DENGAN ALGORITMA APRIORI
APLIKASI DATA MINING UNTUK ANALISIS ASOSIASI POLA PEMBELIAN DENGAN ALGORITMA APRIORI SKRIPSI Disusun Sebagai Salah Satu Syarat untuk Memperoleh Gelar Sarjana Komputer pada Departemen Ilmu Komputer/ Informatika
Lebih terperinciBAB I PENDAHULUAN. banyaknya permintaan konsumen. Pada CV. Surya Indah Abadi untuk mengetahui
BAB I PENDAHULUAN I.1. Latar Belakang Tingginya angka penjualan merupakan salah satu tujuan bagi para pedagang. Untuk itu para pedagang berusaha untuk mendapatkan pelanggan sebanyakbanyaknya. Para pedagang
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 terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Data mining adalah proses mencari pola atau informasi menarik dalam data terpilih dengan menggunakan teknik atau metode tertentu (Sensuse dan Gunadi, 2012). Pola-pola
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 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 terperinciABSTRAK. Kata kunci: Market Basket Analysis, Cross-selling. Universitas Kristen Maranatha
ABSTRAK Salah satu strategi pemasaran yang dapat digunakan untuk meningkatkan volume penjualan suatu produk adalah cross selling. Penentuan cross selling produk dapat dilakukan dengan menerapkan Analisis
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 terperinciPENENTUAN LOKASI BARANG PADA A Swalayan MENGGUNAKAN ASSOCIATION RULE DENGAN ALGORITMA FP-GROWTH
PENENTUAN LOKASI BARANG PADA A Swalayan MENGGUNAKAN ASSOCIATION RULE DENGAN ALGORITMA FP-GROWTH DETERMINING LOCATION OF GOODS IN A Swalayan USING ASSOCIATION RULE BY FP-GROWTH ALGORITHM Ardi Wijaksono
Lebih terperinciBAB I PENDAHULUAN. Keberadaan minimarket di kota-kota besar sangat dibutuhkan bagi. masyarakat khususnya di daerah perumahan. Bagi sebagian besar
BAB I PENDAHULUAN 1.1 LATAR BELAKANG Keberadaan minimarket di kota-kota besar sangat dibutuhkan bagi masyarakat khususnya di daerah perumahan. Bagi sebagian besar masyarakat kota, mereka lebih cenderung
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 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 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 terperinciSISTEM REKOMENDASI PEMESANAN SPAREPART DENGAN ALGORITMA FP-GROWTH (STUDI KASUS PT. ROSALIA SURAKARTA)
SISTEM REKOMENDASI PEMESANAN SPAREPART DENGAN ALGORITMA FP-GROWTH (STUDI KASUS PT. ROSALIA SURAKARTA) Nur Rohman Ardani 1), Nur Fitrina 2) 1) Magister Teknik Informatika STMIK AMIKOM Yogyakarta 2) Teknik
Lebih terperinciBAB 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 I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Perpustakaan merupakan tempat dimana seseorang mendapatkan pengetahuan, informasi atau hiburan dengan jumlah kategori yang bervarian seperti ilmiah, non fiksi, komedi,
Lebih 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 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 terperinciIMPLEMENTASI DATA MINING TERHADAP PENYUSUNAN LAYOUT MAKANAN PADA RUMAH MAKAN PADANG MURAH MERIAH
IMPLEMENTASI DATA MINING TERHADAP PENYUSUNAN LAYOUT MAKANAN PADA RUMAH MAKAN PADANG MURAH MERIAH Oliver Zakaria 1), Kusrini 2) 1) Teknik Informatika STMIK AMIKOM Yogyakarta Jl. Ring Road Utara Condong
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 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 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 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 terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Tingginya tingkat kompetisi pada dunia bisnis terutama dalam penjualan dan pemasaran produk, membuat manajer perusahaan untuk menciptakan strategi yang mampu
Lebih terperinciBAB III ANALISIS DAN DESAIN SISTEM
BAB III ANALISIS DAN DESAIN SISTEM III.. Analisis Masalah Pada zaman saat ini sepeda motor banyak digunakan di jalanan, banyak masyarakat menggunakan sepeda motor karena kepraktisan di dalam penggunaanya.
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 terperinci