A 8 Penggunaan Algoritma T-Apriori* Untuk Pencarian Association Rule Pada Data Spatio-Temporal
|
|
- Dewi Rachman
- 6 tahun lalu
- Tontonan:
Transkripsi
1 A 8 Penggunaan Algoritma T-Apriori* Untu Pencarian Association Rule Pada Data Spatio-Temporal Oleh: Imam Muhlash (Jurusan Matematia FMIPA ITS) Abstra Seiring dengan berembang pesatnya apliasi basisdata, obye data mining juga berembang untu menangani tipe data yang omples, antara lain data spatio-temporal. Data spatio-temporal menyimpan obye spasial dan perubahannya, bai perubahan data spasial maupun data atributnya. Pada maalah ini aan dibahas pengembangan algoritma association rule pada data spasial dengan menambahan batasan watu. Spatio-temporal association rule terjadi jia terdapat relasi spatio-temporal pada bagian antecedent atau consequent dari sebuah rule. Dua aspe penting dalam pencarian spatio-temporal association rule adalah prapemrosesan data dan algoritma pembangitan frequent predicate. Metode prapemrosesan data berfungsi untu memproses data sumber yang berupa data spasial dan non-spasial dengan batasan watu dan menghasilan data yang siap untu di-mining. Pembangitan frequent predicate dilauan dengan menggunaan algoritma T-Apriori*, yaitu pengembangan algoritma T- Apriori yang diperluas untu menangani data spatio-temporal. Selanjutnya, algoritma ini dimanfaatan untu menduung proses pengambilan eputusan dengan cara mengintegrasiannya edalam sebuah perangat luna SIG. Sistem ini mampu melauan analisis data esehatan dan demografi yang berbasis spatio-temporal dan menghasilan nowledge dalam bentu spatio-temporal association rule. Kata unci: association rule, spatio-temporal data mining, frequent predicate, T-Apriori* I. PENDAHULUAN Perembangan yang sangat cepat dalam bidang tenologi informasi, remote sensing dan SIG (Sistem Informasi Geografis) menyebaban data yang terait dengan geografis tumbuh dengan sangat cepat. Hal ini memunculan gagasan untu memanfaatan lebih lanjut data geografis yang sangat besar dan omples ini. Salah satu ajian penelitian yang terait dengan pemanfaatan data dengan volume besar adalah data mining. Data mining merupaan salah satu ajian penelitian yang relatif baru yang tujuan utamanya adalah untu menggali dan menemuan pengetahuan baru, valid dan bermanfaat dari sejumlah besar data (Han dan Kamber, 2006) Seiring dengan berembang pesatnya apliasi basisdata, obye data mining juga berembang untu menangani tipe data yang omples antara lain data spasial, data citra, data multimedia, dan data musi (Han dan Kamber, 2006). Hal ini memunculan cabang baru dari data mining, diantaranya adalah spatial data mining. Mengiuti definisi data mining, spatial data mining adalah penemuan pengetahuan dari sejumlah Maalah dipresentasian dalam dengan tema Matematia dan Pendidian Karater dalam Pembelajaran pada tanggal 3 Desember 2011 di Jurusan Pendidian Matematia FMIPA UNY
2 besar data spasial (Kopersi, 1999). Seiring dengan enyataan bahwa sebagian besar data dari fenomena geografis berubah dan bertambah berdasaran watu, maa spatiality dan temporality menjadi sangat penting untu mengerti proses dan ejadian geografis (Miller, 2004). Dari sini muncul istilah baru yaitu spatio-temporal data mining atau geographic-temporal (geo-spatio-temporal) data mining dalam ontes geografis. Salah satu tas yang sangat penting dalam data mining adalah association rule. Diusulan pertama ali oleh Agrawal (Agrawal d., 2003), tas ini digunaan untu analisis maret baset. Secara singat, tas ini dirumusan sebagai beriut: diberian himpunan transasi yang mana setiap transasi memuat himpunan item. Sebuah association rule dinyataan dengan impliasi X Y, (s%, c%)... (1) dengan X dan Y adalah himpunan item, s menyataan support dan c adalah confidence dari rule. Secara intuitif, mana dari rule ini adalah transasi-transasi yang berisi item X cenderung berisi item Y juga. Mesipun pada awalnya diembangan dan diapliasian secara luas pada data transasional, association rule dapat diapliasian pada domain apliasi yang lebih luas termasu apliasi baru yaitu data spasial dan temporal (Hsu d., 2008). Pengembangan algoritma-algoritma dalam lingup ini menjadi bidang riset yang sangat atif saat ini. Spatio-temporal association rule merupaan perluasan dari spatial association rule yang mana obye pencarian pola adalah data spatio-temporal. Data spatio-temporal menyimpan obye spasial dan perubahannya terhadap parameter watu. Spatio-temporal association rule terjadi jia terdapat relasi spatio-temporal pada bagian antecedent dan consequent dari sebuah rule (Mennis dan Liu, 2005). Dengan demiian, ita bisa melauan inferensi terhadap sebuah event spatio-temporal berdasaran event spatio-temporal yang lain. Rumusan Masalah Salah satu algoritma pencarian association rule yang paling banya digunaan adalah algoritma Apriori (Agarwal 93). Hal ini disebaban arena emudahan dan esederhanaan proses, mesipun terdapat permasalahan terait dengan volume data yang besar. Untu menangani endala watu, algoritma T-Apriori telah diembangan Yogyaarta, 3 Desember 2011 MA 78
3 oleh Liang d (2006). Aan tetapi, untu mendapatan association rule pada data spatio-temporal, algoritma ini tida bisa secara langsung digunaan, sehingga diperluan strategi husus untu menggunaannya. Strategi inilah yang aan dibahas dalam penelitian ini. Selanjutnya, algoritma ini aan digunaan untu mencari spatiotemporal association rule untu mendapatan pola eteraitan antara data esehatan dan demografi. Pemilihan asus uji didasaran pada ebutuhan aan pentingnya mengetahui hubungan (asosiasi) antara tingat epadatan pendududu, eberadaan sarana esehatan, dan jumlah penderita penyait di suatu wilayah. Tujuan dan Manfaat Tujuan utama penelitian ini adalah untu merumusan strategi berupa perluasan algoritma T-Apriori untu menduung proses spatio-temporal association rule mining, terutama dalam proses pembangitan frequent predicates dan emudian mengapliasian algoritma yang telah diembangan pada permasalahan riil yaitu pencarian spatio-temporal association rule pada data esehatan dan demografi. Salah satu peran penting spatial data mining adalah untu menduung proses pengambilan eputusan (decision support). Dengan ditemuannya association rule dengan penambahan dimensi watu, trend asosiasi antar obye spasial dapat diidentifiasi sehingga dapat lebih efetif dimanfaatan untu dasar pengambilan eputusan. II. METODE PENELITIAN Untu menjawab permasalahan di atas, prosedur (tahap-tahap) penelitian yang telah dilauan adalah: 1. Analisis permasalahan dan perumusan onsep-onsep baru yang diusulan. Tahap ini berisi perumusan onsep-onsep tentang spatio-temporal association rule mining termasu didalamnya prapemrosesan data dan menentuan tolo uur (parameter) penilaian inerja algoritma yang diembangan. 2. Pengembangan Algoritma Pada tahap ini, dilauan perluasan algoritma yang meliputi empat hal, yaitu: algoritma untu prapemrosesan data, algoritma pembangitan spatio-temporal frequent pattern dan association rule yang berbasis T-Apriori. Yogyaarta, 3 Desember 2011 MA 79
4 3. Penyiapan data Pemilihan studi asus ini dimasudan sebagai bahan uji coba algoritma yang telah diembangan dan memanfaatan tas-tas dalam data mining untu membantu menyelesaian permasalahan riil. Studi asus yang digunaan dalam penelitian ini adalah pencarian spatio-temporal association rule pada data demografi dan esehatan di salah satu Kab./Kota di Jawa Timur. Data demografi dan esehatan yang digunaan meliputi data pendudu setiap elurahan, data pusesmas, dan data jumlah penderita penyait demam berdarah untu setiap elurahan mulai tahun 2000 sampai dengan tahun Implementasi dan uji coba Pengujian secara empiris algoritma yang telah diembangan dilauan dengan implementasi algoritma tersebut untu asus tertentu dalam bentu Sistem Informasi Geografis (SIG). 5. Evaluasi hasil uji coba dan pengembangan lebih lanjut. Uji coba yang dilauan aan menghasilan dua hal poo yaitu pola association rule dan watu omputasi algoritma. III. HASIL PENELITIAN Hasil-hasil penelitian yang diuraian di sini meliputi perluasan onsep item, itemset, frequent pattern dan association rule dalam ontes spatio-temporal, algoritma pencarian spatio-temporal association rule, metode prapemrosesan data, dan pengujian empiris untu perangat luna yang diembangan. Item, Itemset, dan association rule dalam ontes spatio-temporal Untu mengestra spatio-temporal association rule pada himpunan data yang diberian, pertama ali harus didefinisian istilah items dan transasi (basets) dalam domain spatio-temporal. Dalam domain spatio-temporal, istilah item diperluas menjadi bentu relasi spasial yang memenuhi batasan temporal. Istilah itemsets dalam domain spatio-temporal adalah onjungsi prediat P 1 Λ P 2 Λ P 3 Λ... Λ P n yang di dalamnya memuat prediat/relasi spasial yang memenuhi batasan temporal. Setiap record dalam tabel transasi merepresentasian instans dari sebuah obye spasial (target feature type) pada batasan watu tertentu yang mana atribut-atributnya berupa prediat-prediat Yogyaarta, 3 Desember 2011 MA 80
5 spasial dan non-spasial. Relasi spasial dapat berupa relasi topologi (misalnya intersesi, overlap, disjoint, dan meet), relasi arah/orientasi (misalnya arah iri, arah barat, dan timur), dan relasi jara (misalnya jauh, deat, dan jara dengan nilai tertentu). Sedangan batasan temporal dapat berupa titi watu (time-stamp) dan interval. Beberapa contoh prediat terait dengan data spasial antara lain intersect(x, fasilitas_esehatan), deat(x,sungai), epadatan_pendudu(x,rendah), dan arah_iri(y, jalan). Support dari onjungsi P 1 Λ P 2 Λ P 3 Λ... Λ P n dalam suatu himpunan S, adalah jumlah obye-obye dalam S yang memenuhi P 1, P 2, P 3,... dan P n dibagi dengan jumlah obye dalam S pada batasan watu yang diberian. Sedangan confidence dari rule P Q dalam himpunan S, adalah jumlah obye yang memenuhi prediat-prediat dalam P dan Q dibagi dengan jumlah obye yang memenuhi P. Sebuah prediat tunggal disebut dengan 1-predicate. Konjungsi dari prediat tunggal disebut dengan - predicate. Sebuah onjungsi prediat P adalah frequent dalam himpunan S jia memenuhi threshold nilai support. Suatu spatio-temporal association rule diataan uat (strong) jia rule tersebut mempunyai nilai confidence lebih dari atau sama dengan threshold nilai confidence dan memenuhi batasan watu yang diberian. Berdasaran definisi dari association rule, pendefinisian spatio-temporal association rule dilauan dengan cara menambahan parameter temporal edalam spatial association rule, seperti yang sudah didefinisian sebelumnya (pers. 1). Terdapat dua cara untu merepresentasian parameter temporal, yaitu penambahan secara esplisit dan penambahan secara implisit. Pertama, penambahan watu secara esplisit dilauan dengan cara menambahan omponen watu pada setiap association rule yang didapatan apaah association rule itu berlau pada satu instan watu tertentu atau pada interval watu tertentu. Jia persamaan (1) diubah untu dapat mengaomodasi omponen temporal, didasari oleh rumusan dari Rainsford dan Roddic (1999), maa rumusan ini bisa dimodifiasi menjadi P 1 Λ P 2 Λ... Λ P n Q 1 Λ Q 2 Λ... Λ Q n (s, c) [t i ] (2) untu rule yang berlau pada titi watu t i, dan P 1 Λ P 2 Λ... Λ P n Q 1 Λ Q 2 Λ... Λ Q n (s, c) [t i, t j ] (3) Yogyaarta, 3 Desember 2011 MA 81
6 untu rule pada interval watu [t i, t j ], dengan syarat terdapat satu diantara P 1, P 2,...,P n, Q 1, Q 2,...,Q n memuat relasi spasial. s menyataan threshold nilai support dan c adalah threshold nilai confidence. Cara yang edua adalah dengan melauan prapemrosesan data untu mendapatan perubahan nilai suatu atribut untu interval watu tertentu yang emudian hasilnya aan dijadian sebagai input untu pencarian association rule. Penggunaan edua cara ini aan menyebaban metode prapemrosesan data dan pembangitan frequent itemset yang berbeda. Pada penelitian ini, representasi parameter temporal yang digunaan adalah cara yang pertama yaitu penambahan watu secara esplisit pada association rule yang dihasilan. Metodologi Spatio-temporal Association Rule Mining Sebagai sebuah tas yang berfungsi untu mendapatan pola dari data, aan lebih bermanfaat jia algoritma spatio-temporal association rule mining diintegrasian edalam sebuah perangat luna SIG. Aan tetapi, data yang aan ditangani tida bisa secara langsung digunaan oleh proses mining, arena algoritma data mining umumnya hanya bisa beerja pada satu tabel saja. Sedangan data yang dielola dalam SIG tersimpan dalam banya tabel pada sistem basisdata, sehingga diperluan beberapa proses tambahan untu mendapatan data yang tersimpan dalam sebuah strutur tabel yang siap digunaan oleh proses association rule mining. Karena itu, diperluan rumusan tentang strategi penerapan algoritma supaya proses spatio-temporal association rule mining dapat dilauan. Berdasaran pada metodologi spatial association rule mining yang diajuan oleh Kopersi (1999) dan Muhlash dan Sitohang (2007), pada penelitian ini diajuan metodologi association rule mining pada data spatio-temporal. Strategi umum yang digunaan untu mendapatan association rule pada data spatio-temporal dapat dideomposisi menjadi tiga langah beriut ini (lihat Gambar 1): 1. Prapemrosesan data yang bertujuan untu mendapatan item yang berupa prediat, dan transasi yang berupa himpunan onjungsi prediat dari spatiotemporal dataset. Langah ini sangat penting arena aan menghasilan onjungsi prediat yang disimpan dalam sebuah tabel yang memuat prediat/relasi spasial dan nonspasial dengan parameter watu yang diberian (timestamp atau interval). Yogyaarta, 3 Desember 2011 MA 82
7 2. Bangitan prediat yang frequent, yang bertujuan untu mendapatan semua onjungsi prediat yang memenuhi threshold minimum support dan batasan watu. 3. Bangitan spatio-temporal association rule, yang bertujuan untu mendapatan rule (dari frequent itemsets yang dihasilan dari langah sebelumnya) yang memenuhi threshold minimum confidence dan batasan watu. Spatio-tem poral Data Parameter spasial, non spasial, temporal Prapemro sesan Data Bangitan Prediat yg Frequent Bangitan Spatio- Temporal Ass.Rule USER Spatio-temporal Association Rule Gambar 1. Metodologi Spatio-temporal Association Rules Mining Algoritma T-Apriori* Sebagaimana dijelasan sebelumnya, beberapa penelitian telah dilauan untu mengembangan algoritma Apriori sehingga mampu menangani batasan watu. Salah satu algoritma pengembangan Apriori dilauan oleh Liang d. (2006) dan dinamaan dengan T-Apriori. Dalam T-Apriori, proses pembangitan frequent itemset sama dengan algoritma Apriori, dengan penambahan penanganan husus untu informasi watu. Selanjutnya, algoritma ini aan diembangan untu dapat menangani data spasial dan dinamaan dengan algoritma T-Apriori*. Pada algoritma ini, input adalah basisdata spatio-temporal dan minimum support minsup. Sedangan outputnya adalah himpunan frequent predicates yang dinyataan dengan U L. Langah pertama dari algoritma ini adalah mendapatan semua record dalam tabel hasil prapemrosesan data yang memenuhi batasan watu, dalam hal ini titi atau interval watu tertentu. Langah ini dilauan oleh fungsi Substract, yaitu fungsi yang menghasilan himpunan record yang memenuhi batasan watu. Selanjutnya, dilauan proses pencarian andidat frequentpredicates dengan memanggil fungsi Apriori_Gen. Setelah andidat didapatan, proses selanjutnya adalah mendapatan spatial frequent-predicates L, yaitu frequentpredicates L yang memuat relasi spasial. Yogyaarta, 3 Desember 2011 MA 83
8 Pada algoritma ini, c.count merepresentasian nilai support dari frequent predicates c. Fungsi Apriori_Gen adalah fungsi untu membangitan frequent predicates C. Input dari fungsi ini adalah L -1 yang merupaan (-1)-frequentpredicates dan outputnya adalah C. Dua proses utama dalam fungsi ini adalah join dan prune. Algoritma T-Apriori* Mining Spatio-Temporal Frequent Itemset dengan algoritma T-Apriori* Input: Basisdata Spatio-Temporal DB, minsup Output: Results= U L Procedure ST-Apriori (DB, minsup) (1) for all RecordSets do // RecordSet DB, himpunan record dengan informasi watu (2) Subtract(RecordSets) //Mengambil record-record yg memenuhi batasan watu (3) end (4) Predicates = TRecordSets without TRecordSets.time // Itemset hanya untu satu titi/interval watu saja // Lauan pencarian Candidate predicates (5) C 1 ={Candidate 1-Predicates}, L 1 ={c C 1 c.count minsup} (6) for (=2; L -1 Ø; ++) // sampai tida ada lagi frequent predicates yang // dibangitan (7) C =Apriori_Gen(L -1 ) // bangitan -item andidat frequent predicates (8) for all transaction t Predicates do begin (9) C t = subset(c, t) (10) for all Candidates c C t (11) c.count++ (12) end // dapatan support setiap candidate frequent predicates (13) L = { c C c.count minsup} and contain spatial relation } (14) Return L (15)end //procedure Fungsi Substract merupaan fungsi untu mendapatan semua record dalam tabel hasil prapemrosesan data yang memenuhi batasan watu. Selanjutnya, setelah spatiotemporal frequent-predicates didapatan, untu mendapatan spatio-temporal association rule dapat dilauan dengan memanggil algoritma Generate_Rule. Yogyaarta, 3 Desember 2011 MA 84
9 Algoritma Pembangitan Spatio-temporal Association Rule Input: U L Output: Himpunan Spatio-temporal Association Rule Procedure: (1) for all L, 2 (2) H 1 = {i i L } // 1-item bagian onseuen rule (3) call ap-genrules(l,h 1 ) (4) Uji rule yang memenuhi syarat spasial dan tambahan batasan temporal yang sesuai (5) end // procedure Prosedur ap-genrules merupaan algoritma pembangitan rule berbasis Apriori (Agrawal d., 1993). Pseudo code untu algoritma ini diuraian sebagai beriut: Procedure ap-genrules(l, H m ): (1) = L // jumlah frequent predicates (2) m = H m // jumlah rule consequent (3) if > m+1 then (4) H m+1 = apriori-gen(h m ) (5) for each h m+1 H m+1 z (6) conf = σ (L )/ σ ( L h m+1 ) (7) if conf minconf (8) output the rule (L h m+1 ) h m+1 (9) else (10) delete h m+1 from H m+1 (11) end (12) end (13) Call ap-gen(l, H m+1 ) (14)} // end procedure Hasil Pengujian Secara garis besar, pengujian ini bertujuan untu mengevaluasi apaah metode yang diembangan telah memenuhi riteria-riteria yang ditentuan atau tida. Selain itu, dilauan juga analisis terhadap association rule yang dihasilan. Evaluasi inerja algoritma diteanan pada analisis terhadap pola (pattern) yang dihasilan dari penerapan algoritma tersebut. Pengujian pertama dari rangaian pengujian ini adalah menguji sub-modul prapemrosesan data. Input dari proses ini adalah data spasial dan non-spasial yang terait dengan domain permasalahan dan disimpan dalam tabel-tabel. Hasil proses ini disimpan dalam sebuah tabel yang berisi himpunan predicates. Predicates yang dihasian memuat batasan temporal tahun dan relasi spasial (penderita_tetangga dan Yogyaarta, 3 Desember 2011 MA 85
10 fasilitas_esehatan). Salah satu contoh sebagian hasil prapemrosesan data dapat dilihat pada Gambar 2. Gambar 2. Contoh hasil prapemrosesan data Setelah hasil prapemrosesan data diperoleh, langah beriutnya adalah mencari frequent predicates dan spatio-temporal association rule berdasaran nilai threshold support dan confidence. Pada uji coba ini, metode evaluasi terhadap spatio-temporal association rule yang dihasilan adalah objective interestingness measure dengan menggunaan sebuah metri penguuran yang disebut dengan lift. Nilai lift dan hubungannya dengan orelasi antar predicates yang menduungnya. Dari hasil uji coba, beberapa pola spatio-temporal association rule yang dapat ditemuan antara lain: Kepadatan rendah penderita rendah [2000], (C = 0.71, Lift = 1.246) Kepadatan rendah penderita rendah [2003], (C = 0.82, Lift = 1.281) Kepadatan rendah penderita rendah [2000, 2003], (C = 0.71, Lift = 1.183) Fases ada penderita rendah [2001], (C = 0.64, Lift = 1.488) Fases ada AND Kepadatan rendah Tetangga sedang AND Penderita Rendah [2003], (C = 0.67, Lift = 1.914) Berdasaran beberapa contoh association rule yang didapatan ini, dapat disimpulan bahwa terdapat asosiasi yang positif antara wilayah dengan epadatan rendah dan jumlah penderita yang rendah. Hal ini dibutian dengan munculnya association rule ini di setiap batasan watu yang ada, bai titi watu maupun interval. Selain itu, terdapat asosiasi yang positif antara tersedianya fasilitas esehatan di suatu wilayah dengan jumlah penderita yang rendah, dan antara tersedianya fasilitas esehatan di suatu wilayah dan mempunyai epadatan rendah dengan jumlah penderita yang rendah dan jumlah penderita yang bernilai sedang di wilayah-wilayah tetangganya. Yogyaarta, 3 Desember 2011 MA 86
11 IV. SIMPULAN DAN SARAN Dari uraian di atas dapat disimpulan bahwa sistem yang diembangan mampu mendapatan spatio-temporal association rule dari data yang diberian. Dari hasil ujicoba didapatan bahwa terdapat asosiasi yang uat antara wilayah dengan epadatan rendah dan jumlah penderita yang rendah, antara tersedianya fasilitas esehatan di suatu wilayah dengan jumlah penderita yang rendah, antara tersedianya fasilitas esehatan di suatu wilayah dan mempunyai epadatan rendah dengan jumlah penderita yang rendah dan jumlah penderita yang bernilai sedang di wilayah-wilayah tetangganya. V. DAFTAR PUSTAKA 1. Agrawal, R., Imielinsi, T., dan Swami, A. (1993): Mining Assosiation Rules between Sets of Items in Large Databases, Proceedings of the 1993 ACM SIGMOD Conference Washington DC, USA, Liang, Z., Xinming, T., Lina, L., dan Wenliang, J. (2006): Temporal Association Rule Mining Based On T-Apriori Algorithm and Its Typical Applications, Proceedings of International Symposium on Spatio-Temporal Modeling, Spatial Reasoning, Analysis, Data Mining and Data Fusion Kopersi, K. dan Han, J. (1995): Discovery of Spatial Assosiation Rules in Geographic Information Databases, in Advances in Spatial Databases, Proc. Of 4th Symp. SSD 95, Springer Verlag, Berlin, Han, J. dan Kamber, M. (2006): Data Mining: Concepts and Techniques, 2 nd edition, Morgan Kauffmann Publisher. 5. Hsu, W., Lee, M.L., dan Wang, J., (2008): Temporal and Spatio-Temporal Data Mining, IGI Publishing. 6. Mennis, J. dan Liu, J. (2005): Mining Asosiation Rules in Spatio-Temporal Data: An Analysis of Urban Socioeconomic and Land Cover Change, Transactions in GIS, 9(1), Miller, H.J. (2004): Geographic Data Mining and Knowledge Discovery, in J. P. Wilson and A. S. Fotheringham (eds.) Handboo of Geographic Information Science. 8. Muhlash, I. dan Sitohang, B. (2007) Spatial Data Preprocessing for Mining Spatial Association Rule with Conventional Association Mining Algorithms, Proceedings ICEEI2007, STEI-ITB. 9. Rainsford, C.P. dan Roddic, J.F. (1999): Adding Temporal Semantic to Association Rules, Proceedings of 3rd International Conference KSS Springer, ooo- Yogyaarta, 3 Desember 2011 MA 87
PENERAPAN ALGORITMA APRIORI UNTUK MEMPEROLEH ASSOCIATION RULE ANTAR ITEMSET BERDASARKAN PERIODE PENJUALAN DALAM SATU TRANSAKSI
PENERAPAN ALGORITMA APRIORI UNTUK MEMPEROLEH ASSOCIATION RULE ANTAR ITEMSET BERDASARKAN PERIODE PENJUALAN DALAM SATU TRANSAKSI Devi Fitrianah, Ade Hodijah Program Studi Teni Informatia, Faultas Ilmu Komputer,
Lebih terperinciANALISIS KINERJA ALGORITMA FOLD-GROWTH DAN FP-GROWTH PADA PENGGALIAN POLA ASOSIASI
Seminar Nasional Apliasi Tenologi Informasi 26 (SNATI 26) ISSN: 97-522 Yogyaarta, 7 Juni 26 ANALISIS KINERJA ALGORITMA FOLD-GROWTH DAN FP-GROWTH PADA PENGGALIAN POLA ASOSIASI Rully Soelaiman, Ni Made Arini
Lebih terperinciPELABELAN FUZZY PADA GRAF. Siti Rahmah Nurshiami, Suroto, dan Fajar Hoeruddin Universitas Jenderal Soedirman.
JMP : Volume 6 Nomor, Juni 04, hal. - PELABELAN FUZZY PADA GRAF Siti Rahmah Nurshiami, Suroto, dan Fajar Hoeruddin Universitas Jenderal Soedirman email : oeytea0@gmail.com ABSTRACT. This paper discusses
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 terperinciMODEL REGRESI INTERVAL DENGAN NEURAL FUZZY UNTUK MEMPREDIKSI TAGIHAN AIR PDAM
MODEL REGRESI INTERVAL DENGAN NEURAL FUZZY UNTUK MEMPREDIKSI TAGIHAN AIR PDAM 1,2 Faultas MIPA, Universitas Tanjungpura e-mail: csuhery@sisom.untan.ac.id, email: dedi.triyanto@sisom.untan.ac.id Abstract
Lebih terperinciPenggunaan Induksi Matematika untuk Mengubah Deterministic Finite Automata Menjadi Ekspresi Reguler
Penggunaan Indusi Matematia untu Mengubah Deterministic Finite Automata Menjadi Espresi Reguler Husni Munaya - 353022 Program Studi Teni Informatia Seolah Teni Eletro dan Informatia Institut Tenologi Bandung,
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belaang Masalah untu mencari jalur terpende di dalam graf merupaan salah satu masalah optimisasi. Graf yang digunaan dalam pencarian jalur terpende adalah graf yang setiap sisinya
Lebih terperinciPENCARIAN JALUR TERPENDEK MENGGUNAKAN ALGORITMA SEMUT
Seminar Nasional Apliasi Tenologi Informasi 2007 (SNATI 2007) ISSN: 1907-5022 Yogyaarta, 16 Juni 2007 PENCARIAN JALUR TERPENDEK MENGGUNAKAN ALGORITMA SEMUT I ing Mutahiroh, Indrato, Taufiq Hidayat Laboratorium
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 terperinciOptimasi Non-Linier. Metode Numeris
Optimasi Non-inier Metode Numeris Pendahuluan Pembahasan optimasi non-linier sebelumnya analitis: Pertama-tama mencari titi-titi nilai optimal Kemudian, mencari nilai optimal dari fungsi tujuan berdasaran
Lebih terperinciBAB II KONSEP DAN DEFINISI
6 BAB II KONSEP DAN DEFINISI Pada bab ini aan dijelasan onsep dan definisi-definisi yang digunaan dalam metode pada penelitian ini. 2.1 DATA TRANSAKSI isalan = { 1, 2, 3,..., } adalah himpunan semua produ
Lebih terperinciBAB III DESAIN DAN APLIKASI METODE FILTERING DALAM SISTEM MULTI RADAR TRACKING
Bab III Desain Dan Apliasi Metode Filtering Dalam Sistem Multi Radar Tracing BAB III DESAIN DAN APLIKASI METODE FILTERING DALAM SISTEM MULTI RADAR TRACKING Bagian pertama dari bab ini aan memberian pemaparan
Lebih terperinciI. PENDAHULUAN. Teori graf merupakan salah satu bagian ilmu dari matematika dan merupakan
I. PENDAHULUAN. Latar Belaang Teori graf merupaan salah satu bagian ilmu dari matematia dan merupaan poo bahasan yang relatif muda jia dibandingan dengan cabang ilmu matematia yang lain seperti aljabar
Lebih terperincikhazanah Sistem Klasifikasi Tipe Kepribadian dan Penerimaan Teman Sebaya Menggunakan Jaringan Syaraf Tiruan Backpropagation informatika
hazanah informatia Jurnal Ilmu Komputer dan Informatia Sistem Klasifiasi Tipe Kepribadian dan Penerimaan Teman Sebaya Menggunaan Jaringan Syaraf Tiruan Bacpropagation Yusuf Dwi Santoso *, Suhartono Program
Lebih terperincikhazanah Sistem Klasifikasi Tipe Kepribadian dan Penerimaan Teman Sebaya Menggunakan Jaringan Syaraf Tiruan Backpropagation informatika
hazanah informatia Jurnal Ilmu Komputer dan Informatia Sistem Klasifiasi Tipe Kepribadian dan Penerimaan Teman Sebaya Menggunaan Jaringan Syaraf Tiruan Bacpropagation Yusuf Dwi Santoso *, Suhartono Departemen
Lebih terperinciSUATU KLAS BILANGAN BULAT DAN PERANNYA DALAM MENGKONSTRUKSI BILANGAN PRIMA
SUATU KLAS BILANGAN BULAT DAN PERANNYA DALAM MENGKONSTRUKSI BILANGAN PRIMA I Nengah Suparta dan I. B. Wiasa Jurusan Pendidian MatematiaUniversitas Pendidian Ganesha E-mail: isuparta@yahoo.com ABSTRAK:
Lebih terperinciPENYELESAIAN PERSAMAAN LOTKA-VOLTERRA DENGAN METODE TRANSFORMASI DIFERENSIAL. Sutriani Hidri. Ja faruddin. Syafruddin Side, ABSTRAK
PENYELESAIAN PERSAMAAN LOTKA-VOLTERRA DENGAN METODE TRANSFORMASI DIFERENSIAL Syafruddin Side, Jurusan Matematia, FMIPA, Universitas Negeri Maassar email:syafruddinside@yahoo.com Info: Jurnal MSA Vol. 3
Lebih terperinciDeret Pangkat. Ayundyah Kesumawati. June 23, Prodi Statistika FMIPA-UII
Keonvergenan Kesumawati Prodi Statistia FMIPA-UII June 23, 2015 Keonvergenan Pendahuluan Kalau sebelumnya, suu suu pada deret ta berujung berupa bilangan real maa ali ini ita embangan suu suunya dalam
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN PENENTU NILAI INTERVAL KADAR LEMAK TUBUH MENGGUNAKAN REGRESI INTERVAL DENGAN NEURAL FUZZY
SISTEM PENDUKUNG KEPUTUSAN PENENTU NILAI INTERVAL KADAR LEMAK TUBUH MENGGUNAKAN REGRESI INTERVAL DENGAN NEURAL FUZZY Tedy Rismawan dan Sri Kusumadewi Laboratorium Komputasi dan Sistem Cerdas, Jurusan Teni
Lebih terperinciVariasi Spline Kubik untuk Animasi Model Wajah 3D
Variasi Spline Kubi untu Animasi Model Wajah 3D Rachmansyah Budi Setiawan (13507014 1 Program Studi Teni Informatia Seolah Teni Eletro dan Informatia Institut Tenologi Bandung, Jl. Ganesha 10 Bandung 40132,
Lebih terperinciBAB III PENENTUAN HARGA PREMI, FUNGSI PERMINTAAN, DAN TITIK KESETIMBANGANNYA
BAB III PENENTUAN HARGA PREMI, FUNGSI PERMINTAAN, DAN TITIK KESETIMBANGANNYA Pada penelitian ini, suatu portfolio memilii seumlah elas risio. Tiap elas terdiri dari n, =,, peserta dengan umlah besar, dan
Lebih terperinciBAB 3 PATTERN MATCHING BERBASIS JARAK EUCLID, PATTERN MATCHING BERBASIS JARAK MAHALANOBIS, DAN JARINGAN SYARAF TIRUAN BERBASIS PROPAGASI BALIK
BAB 3 PATTERN MATCHING BERBASIS JARAK EUCLID, PATTERN MATCHING BERBASIS JARAK MAHALANOBIS, DAN JARINGAN SYARAF TIRUAN BERBASIS PROPAGASI BALIK Proses pengenalan dilauan dengan beberapa metode. Pertama
Lebih terperinciBAB 5 RUANG VEKTOR UMUM. Dr. Ir. Abdul Wahid Surhim, MT.
BAB 5 RUANG VEKTOR UMUM Dr. Ir. Abdul Wahid Surhim, MT. KERANGKA PEMBAHASAN. Ruang Vetor Nyata. Subruang. Kebebasan Linier 4. Basis dan Dimensi 5. Ruang Baris, Ruang Kolom dan Ruang Nul 6. Ran dan Nulitas
Lebih terperinciPenerapan Sistem Persamaan Lanjar untuk Merancang Algoritma Kriptografi Klasik
Penerapan Sistem Persamaan Lanjar untu Merancang Algoritma Kriptografi Klasi Hendra Hadhil Choiri (135 08 041) Program Studi Teni Informatia Seolah Teni Eletro dan Informatia Institut Tenologi Bandung,
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belaang Model Loglinier adalah salah satu asus husus dari general linier model untu data yang berdistribusi poisson. Model loglinier juga disebut sebagai suatu model statisti
Lebih terperinciPenempatan Optimal Phasor Measurement Unit (PMU) dengan Integer Programming
JURAL TEKIK POMITS Vol. 2, o. 2, (2013) ISS: 2337-3539 (2301-9271 Print) B-137 Penempatan Optimal Phasor Measurement Unit (PMU) dengan Integer Programming Yunan Helmy Amrulloh, Rony Seto Wibowo, dan Sjamsjul
Lebih terperinciAplikasi diagonalisasi matriks pada rantai Markov
J. Sains Dasar 2014 3(1) 20-24 Apliasi diagonalisasi matris pada rantai Marov (Application of matrix diagonalization on Marov chain) Bidayatul hidayah, Rahayu Budhiyati V., dan Putriaji Hendiawati Jurusan
Lebih terperinciPENYELESAIAN PERSAMAAN LOTKA-VOLTERRA DENGAN METODE TRANSFORMASI DIFERENSIAL SUTRIANI HIDRI
PENYELESAIAN PERSAMAAN LOTKA-VOLTERRA DENGAN METODE TRANSFORMASI DIFERENSIAL SUTRIANI HIDRI Jurusan Matematia, FMIPA, Universitas Negeri Maassar Email: nanni.cliq@gmail.com Abstra. Pada artiel ini dibahas
Lebih terperinciBAB IV PERHITUNGAN HARGA PREMI BERDASARKAN FUNGSI PERMINTAAN PADA TITIK KESETIMBANGAN
BAB IV PERHITUNGAN HARGA PREMI BERDASARKAN FUNGSI PERMINTAAN PADA TITIK KESETIMBANGAN Berdasaran asumsi batasan interval pada bab III, untu simulasi perhitungan harga premi pada titi esetimbangan, maa
Lebih terperinciImplementasi Algoritma Pencarian k Jalur Sederhana Terpendek dalam Graf
JURNAL TEKNIK POMITS Vol. 2, No., (203) ISSN: 2337-3539 (230-927 Print) Implementasi Algoritma Pencarian Jalur Sederhana Terpende dalam Graf Anggaara Hendra N., Yudhi Purwananto, dan Rully Soelaiman Jurusan
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 terperinciMENYELESAIKAN PERSAMAAN DIFFERENSIAL BILANGAN BULAT DAN BILANGAN RASIONAL
MENYELESAIKAN PERSAMAAN DIFFERENSIAL BILANGAN BULAT DAN BILANGAN RASIONAL Sarta Meliana 1, Mashadi 2, Sri Gemawati 2 1 Mahasiswa Program Studi S1 Matematia 2 Dosen Jurusan Matematia Faultas Matematia dan
Lebih terperinciSTUDI PENYELESAIAN PROBLEMA MIXED INTEGER LINIER PROGRAMMING DENGAN MENGGUNAKAN METODE BRANCH AND CUT OLEH : RISTA RIDA SINURAT
TUGAS AKHIR STUDI PENYELESAIAN PROBLEMA MIXED INTEGER LINIER PROGRAMMING DENGAN MENGGUNAKAN METODE BRANCH AND CUT OLEH : RISTA RIDA SINURAT 040803023 DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU
Lebih terperinciBEBERAPA SIFAT HIMPUNAN KRITIS PADA PELABELAN AJAIB GRAF BANANA TREE. Triyani dan Irham Taufiq Universitas Jenderal Soedirman
JMP : Volume 4 Nomor 2, Desember 2012, hal. 271-278 BEBERAPA SIFAT HIMPUNAN KRITIS PADA PELABELAN AJAIB GRAF BANANA TREE Triyani dan Irham Taufiq Universitas Jenderal Soedirman trianisr@yahoo.com.au ABSTRACT.
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 terperinciPENGEMBANGAN BUKU KOMIK FISIKA POKOK BAHASAN NEWTON BERBASIS KONSTRUKTIVISME UNTUK MENINGKATKAN MOTIVASI BELAJAR SISWA
PENGEMBANGAN BUKU KOMIK FISIKA POKOK BAHASAN NEWTON BERBASIS KONSTRUKTIVISME UNTUK MENINGKATKAN MOTIVASI BELAJAR SISWA Farida Huriawati 1), Purwandari 1,2), Intan Permatasari 1,3) 1,2,3 Program Studi Pendidian
Lebih terperinciVARIASI NILAI BATAS AWAL PADA HASIL ITERASI PERPINDAHAN PANAS METODE GAUSS-SEIDEL
SEMINAR NASIONAL PENDIDIKAN SAINS Peningatan Kualitas Pembelajaran Sains dan Kompetensi Guru melalui Penelitian & Pengembangan dalam Menghadapi Tantangan Abad-1 Suraarta, Otober 016 VARIASI NILAI BATAS
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1. Statisti Inferensia Tujuan statisti pada dasarnya adalah melauan desripsi terhadap data sampel, emudian melauan inferensi terhadap data populasi berdasaran pada informasi yang
Lebih terperincitidak mempunyai fixed mode terdesentralisasi, dapat dilakukan dengan memberikan kompensator terdesentralisasi. Fixed mode terdesentralisasi pertama
BB IV PENGENDLIN TERDESENTRLISSI Untu menstabilan sistem yang tida stabil, dengan syarat sistem tersebut tida mempunyai fixed mode terdesentralisasi, dapat dilauan dengan memberian ompensator terdesentralisasi.
Lebih terperinciPEMANFAATAN METODE HEURISTIK DALAM PENCARIAN JALUR TERPENDEK DENGAN ALGORITMA SEMUT DAN ALGORITMA GENETIKA
PEMANFAATAN METODE HEURISTIK DALAM PENCARIAN JALUR TERPENDEK DENGAN ALGORITMA SEMUT DAN ALGORITMA GENETIKA Iing Mutahiroh, Fajar Saptono, Nur Hasanah, Romi Wiryadinata Laboratorium Pemrograman dan Informatia
Lebih terperinciKata Kunci : Multipath, LOS, N-LOS, Network Analyzer, IFFT, PDP. 1. Pendahuluan
Statisti Respon Kanal Radio Dalam Ruang Pada Freuensi,6 GHz Christophorus Triaji I, Gamantyo Hendrantoro, Puji Handayani Institut Tenologi Sepuluh opember, Faultas Tenologi Industri, Jurusan Teni Eletro
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 terperinciUji Alternatif Data Terurut Perbandingan antara Uji Jonckheere Terpstra dan Modifikasinya Ridha Ferdhiana 1 Statistics Peer Group
Uji Alternatif Data Terurut Perbandingan antara Uji Joncheere Terpstra dan Modifiasinya Ridha Ferdhiana Statistics Peer Group Jurusan Matematia FMIPA Universitas Syiah Kuala Banda Aceh, Aceh, 23 email:
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 terperinciPengaruh Proses Stemming Pada Kinerja Analisa Sentimen Pada Review Buku
Jurnal Hasil Penelitian LPPM Untag Surabaya Januari 2018, Vol. 03, No. 01, hal 55-59 jurnal.untag-sby.ac.id/index.php/jhp17 E-ISSN : 2502-8308 P-ISSN : 2579-7980 Pengaruh Proses Stemming Pada Kinerja Analisa
Lebih terperinciSATUAN ACARA PERKULIAHAN ( SAP )
SATUAN ACARA PERKULIAHAN ( SAP ) Mata Kuliah : Pengolahan Citra Digital Kode : IES 6323 Semester : VI Watu : 1x 3x 50 Menit Pertemuan : 7 A. Kompetensi 1. Utama Mahasiswa dapat memahami tentang sistem
Lebih terperinciPENERAPAN PROGRAM DINAMIS UNTUK MENGHITUNG ANGKA FIBONACCI DAN KOEFISIEN BINOMIAL
PENERAPAN PROGRAM DINAMIS UNTUK MENGHITUNG ANGKA FIBONACCI DAN KOEFISIEN BINOMIAL Reisha Humaira NIM 13505047 Program Studi Teni Informatia Institut Tenologi Bandung Jl. Ganesha 10, Bandung E-mail : if15047@students.if.itb.ac.id
Lebih terperinciSOLUSI KESTABILAN PADA MASALAH MULTIPLIKATIF PARAMETRIK (STABILITY SOLUTION OF PARAMETRIC MULTIPLICATIVE PROBLEMS)
Prosiding Semirata15 bidang MIPA BKS-PTN Barat Hal 357-36 SOLUSI KESTABILAN PADA MASALAH MULTIPLIKATIF PARAMETRIK STABILITY SOLUTION OF PARAMETRIC MULTIPLICATIVE PROBLEMS) Budi Rudianto 1, Narwen Jurusan
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar belakang
BAB PENDAHULUAN. Latar belaang Metode analisis yang telah dibicaraan hingga searang adalah analisis terhadap data mengenai sebuah arateristi atau atribut (jia data itu ualitatif) dan mengenai sebuah variabel,
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 II LANDASAN TEORI. Graf adalah kumpulan simpul (nodes) yang dihubungkan satu sama lain
8 BAB II LANDASAN TEORI 2.1 Teori Graf 2.1.1 Definisi Graf Graf adalah umpulan simpul (nodes) yang dihubungan satu sama lain melalui sisi/busur (edges) (Zaaria, 2006). Suatu Graf G terdiri dari dua himpunan
Lebih terperinciAgar Xn berperilaku acak yang dapat dipertanggungjawabkan :
ara memperoleh data Zaman dahulu, dgn cara : 1. Melempar dadu 2. Mengoco artu Zaman modern (>1940), dgn cara membentu bilangan aca secara numeri/ aritmati(menggunaan omputer), disebut Pseudo Random Number
Lebih terperinciMakalah Seminar Tugas Akhir
Maalah Seminar ugas Ahir Simulasi Penapisan Kalman Dengan Kendala Persamaan Keadaan Pada Kasus Penelusuran Posisi Kendaraan (Vehicle racing Problem Iput Kasiyanto [], Budi Setiyono, S., M. [], Darjat,
Lebih terperinciAPLIKASI METODE FUZZY MULTI CRITERIA DECISION MAKING (FMCDM) UNTUK OPTIMALISASI PENENTUAN LOKASI PROMOSI PRODUK
APLIKASI METODE FUZZY MULTI CRITERIA DECISION MAKING (FMCDM) UNTUK OPTIMALISASI PENENTUAN LOKASI PROMOSI PRODUK Novhirtamely Kahar, ST. 1, Nova Fitri, S.Kom. 2 1&2 Program Studi Teni Informatia, STMIK
Lebih terperinciPENGENALAN KAPAL PADA CITRA DIGITAL MENGGUNAKAN IMAGE PROCESSING DAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
PENGENALAN KAPAL PADA CITRA DIGITAL MENGGUNAKAN IMAGE PROCESSING DAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Sutino 1, Helmie Arif Wibawa 2, Priyo Sidi Sasongo 3 123 Jurusan Ilmu Komputer/Informatia, FSM,
Lebih terperinciANALISIS KEPUASAN KONSUMEN TERHADAP PELAYANAN PELAYANAN JASA PENGIRIMAN PAKET (KURIR) DENGAN MENGGUNAKAN METODE TOPSIS FUZZY
Jurnal Manti Penusa Vol No Desember ISSN 88-9 ANALISIS EPUASAN ONSUMEN TERHADAP PELAYANAN PELAYANAN JASA PENGIRIMAN PAET (URIR DENGAN MENGGUNAAN METODE TOPSIS FUZZY Desi Vinsensia Program Studi Teni Informatia
Lebih terperinciVI. PEMILIHAN MODA (Modal Split/Choice)
VI. PEMILIHAN MODA (Modal Split/Choice) 6.. UMUM Tujuan: Mengetahui proporsi pengaloasian perjalanan e berbagai moda transportasi. Ada dua emunginan situasi yang dihadapi dalam meramal pemilihan moda:
Lebih terperinciBAB IV APLIKASI PADA MATRIKS STOKASTIK
BAB IV : ALIKASI ADA MARIKS SOKASIK 56 BAB IV ALIKASI ADA MARIKS SOKASIK Salah satu apliasi dari eori erron-frobenius yang paling terenal adalah penurunan secara alabar untu beberapa sifat yang dimilii
Lebih terperinciBAB III HASIL DAN PEMBAHASAN
15 BAB III HASIL DAN PEMBAHASAN 3.1Relasi Dispersi Pada bagian ini aan dibahas relasi dispersi untu gelombang internal pada fluida dua-lapisan.tinjau lapisan fluida dengan ρ a dan ρ b berturut-turut merupaan
Lebih terperinciDesain Kontroler Tunggal Untuk Meredam Osilasi Multi Frekuensi Pada Sistem Skala Besar
J. of Math. and Its Appl. ISSN: 1829-605X Vol. 1, No. 1 (2004), 1 7 Desain Kontroler Tunggal Untu Meredam Osilasi Multi Freuensi Pada Sistem Sala Besar Mardlijah Jurusan Matematia Institut Tenologi Sepuluh
Lebih terperinciKLASIFIKASI DATA MENGGUNAKAN JST BACKPROPAGATION MOMENTUM DENGAN ADAPTIVE LEARNING RATE
KLASIFIKASI DATA MENGGUNAKAN JST BACKPROPAGATION MOMENTUM DENGAN ADAPTIVE LEARNING RATE Warih Maharani Faultas Teni Informatia, Institut Tenologi Telom Jl. Teleomuniasi No.1 Bandung 40286 Telp. (022) 7564108
Lebih terperinciGambar Tahap-Tahap Penelitian
BAB III METODELOGI PENELITIAN Dalam menyelesaikan penelitian ini dibuat beberapa tahapan. Tahap-tahap kegiatan dijelaskan dalam Gambar 3.1 Studi Literatur Pengumpulan Data Retrieve Data Pre-Processing
Lebih terperinciBAB 3 PRINSIP SANGKAR BURUNG MERPATI
BAB 3 PRINSIP SANGKAR BURUNG MERPATI 3. Pengertian Prinsip Sangar Burung Merpati Sebagai ilustrasi ita misalan terdapat 3 eor burung merpati dan 2 sangar burung merpati. Terdapat beberapa emunginan bagaimana
Lebih terperinciANALISIS PETA KENDALI DEWMA (DOUBLE EXPONENTIALLY WEIGHTED MOVING AVERAGE)
Seminar Nasional Matematia dan Apliasinya, 1 Otober 17 ANALISIS PETA KENDALI DEWMA (DOUBLE EXPONENTIALLY WEIGHTED MOVING AVERAGE) DALAM PENGENDALIAN KUALITAS PRODUKSI FJLB (FINGER JOINT LAMINATING BOARD)
Lebih terperinciPENGGUNAAN CLUSTER-BASED SAMPLING UNTUK PENGGALIAN KAIDAH ASOSIASI MULTI OBYEKTIF
Vol. 5, No. 1, Januari 2009 ISSN 0216-0544 PENGGUNAAN CLUSTER-BASED SAMPLING UNTUK PENGGALIAN KAIDAH ASOSIASI MULTI OBYEKTIF * Febriana Santi Wahyuni, Daniel O Siahaan dan Chastine Fatichah Jurusan Teknik
Lebih terperinciPERBANDINGAN PERFORMANSI ALGORITMA GENETIKA DAN ALGORITMA SEMUT UNTUK PENYELESAIAN SHORTEST PATH PROBLEM
Seminar Nasional Sistem dan Informatia 2007; Bali, 16 November 2007 PERBANDINGAN PERFORMANSI ALGORITMA GENETIKA DAN ALGORITMA SEMUT UNTUK PENYELESAIAN SHORTEST PATH PROBLEM Fajar Saptono 1) I ing Mutahiroh
Lebih terperinciMENENTUKAN TURUNAN DAN SIFAT-SIFAT TURUNAN DARI FUNGSI 1/f(x) DAN h(x)/f(x) ABSTRACT
MENENTUKAN TURUNAN DAN SIFAT-SIFAT TURUNAN DARI FUNGSI 1/(x DAN h(x/(x Yuliana Saitri 1, Sri Gemawati 2, Musraini 2 1 Mahasiswa Program Studi S1 Matematia 2 Dosen Jurusan Matematia Faultas Matematia dan
Lebih terperinciEstimasi Konsentrasi Polutan Sungai Menggunakan Metode Reduksi Kalman Filter dengan Pendekatan Elemen Hingga
JURNAL SAINS DAN SENI POMITS ol. 2, No.1, (2013) 2337-3520 (2301-928X Print) 1 Estimasi Konsentrasi Polutan Sungai Menggunaan Metode Redusi Kalman Filter dengan Pendeatan Elemen Hingga Muyasaroh, Kamiran,
Lebih terperinciPenentuan Nilai Ekivalensi Mobil Penumpang Pada Ruas Jalan Perkotaan Menggunakan Metode Time Headway
Rea Racana Jurnal Online Institut Tenologi Nasional Teni Sipil Itenas No.x Vol. Xx Agustus 2015 Penentuan Nilai Eivalensi Mobil Penumpang Pada Ruas Jalan Perotaan Menggunaan Metode Time Headway ENDI WIRYANA
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 terperinciModifikasi ACO untuk Penentuan Rute Terpendek ke Kabupaten/Kota di Jawa
187 Modifiasi ACO untu Penentuan Rute Terpende e Kabupaten/Kota di Jawa Ahmad Jufri, Sunaryo, dan Purnomo Budi Santoso Abstract This research focused on modification ACO algorithm. The purpose of this
Lebih terperinciMakalah Seminar Tugas Akhir
Maalah Seminar Tugas Ahir PENDETEKSI POSISI MENGGUNAKAN SENSOR ACCELEROMETER MMA7260Q BERBASIS MIKROKONTROLER ATMEGA 32 Muhammad Riyadi Wahyudi, ST., MT. Iwan Setiawan, ST., MT. Abstract Currently, determining
Lebih terperinciAplikasi Analisis Korelasi Somers d pada Kepemimpinan dan Kondisi Lingkungan Kerja
Apliasi Analisis Korelasi Somers d pada Kepemimpinan dan Kondisi Lingungan Kerja terhadap Kinerja Pegawai BKKBN Provinsi Kalimantan Timur The Application of Somers d Correlation Analysis at Leadership
Lebih terperinciAnalisis asosiasi Penguasaan ICT Mahasiswa Baru dan Pencapaian Prestasi Akademik Mahasiswa dengan Algoritma Apriori.
SEMINAR NASIONAL MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2016 Analisis asosiasi Penguasaan ICT Mahasiswa Baru dan Pencapaian Prestasi Akademik Mahasiswa dengan Algoritma Apriori. Kuswari Hernawati 1,
Lebih terperinciSISTEM ADAPTIF PREDIKSI PENGENALAN ISYARAT VOKAL SUARA KARAKTER. Abstrak
SISTEM ADAPTIF PREDIKSI PENGENALAN ISYARAT VOKAL SUARA KARAKTER Oleh : Pandapotan Siagia, ST, M.Eng (Dosen tetap STIKOM Dinamia Bangsa Jambi) Abstra Sistem pengenal pola suara atau yang lebih dienal dengan
Lebih terperinciALGORITMA PENYELESAIAN PERSAMAAN DINAMIKA LIQUID CRYSTAL ELASTOMER
ALGORITMA PENYELESAIAN PERSAMAAN DINAMIKA LIQUID CRYSTAL ELASTOMER Oleh: Supardi SEKOLAH PASCA SARJANA JURUSAN ILMU FISIKA UNIVERSITAS NEGERI YOGYAKARTA 2012 1 PENDAHULUAN Liquid Crystal elastomer (LCE
Lebih terperinciSISTEM ADAPTIF PREDIKSI PENGENALAN ISYARAT VOKAL SUARA KARAKTER
SISTEM ADAPTIF PREDIKSI PENGENALAN ISYARAT VOKAL SUARA KARAKTER Pandapotan Siagian, ST, M.Eng Dosen Tetap STIKOM Dinamia Bangsa - Jambi Jalan Sudirman Theoo Jambi Abstra Sistem pengenal pola suara atau
Lebih terperinciBAB 2 LANDASAN TEORI
6 BAB 2 LANDASAN TEORI 2.1 Penjadwalan 2.1.1 Jadwal Secara Umum Menurut Kamus Besar Bahasa Indonesia (KBBI), jadwal adalah pembagian watu berdasaran rencana pengaturan urutan erja, daftar atau tabel egiatan
Lebih terperinci( s) PENDAHULUAN tersebut, fungsi intensitas (lokal) LANDASAN TEORI Ruang Contoh, Kejadian dan Peluang
Latar Belaang Terdapat banya permasalahan atau ejadian dalam ehidupan sehari hari yang dapat dimodelan dengan suatu proses stoasti Proses stoasti merupaan permasalahan yang beraitan dengan suatu aturan-aturan
Lebih terperinciVolume : IV, Nomor : 1, September 2014
SISTEM PENDUKUNG KEPUTUSAN PENENTUAN PEMENANG MUSABAQAH TILAWATIL QUR AN TINGKAT KECAMATAN DENGAN MENGGUNAKAN METODE SIMPLE ADDITIVE WEIGHTING (SAW) (Studi Kasus : Kecamatan Huta Raja Tinggi) Leli Asmara
Lebih terperinciII. TINJAUAN PUSTAKA. sebuah teknik yang baru yang disebut analisis ragam. Anara adalah suatu metode
3 II. TINJAUAN PUSTAKA 2.1 Analisis Ragam (Anara) Untu menguji esamaan dari beberapa nilai tengah secara sealigus diperluan sebuah teni yang baru yang disebut analisis ragam. Anara adalah suatu metode
Lebih terperinciANALISA STATIK DAN DINAMIK GEDUNG BERTINGKAT BANYAK AKIBAT GEMPA BERDASARKAN SNI DENGAN VARIASI JUMLAH TINGKAT
Jurnal Sipil Stati Vol. No. Agustus (-) ISSN: - ANALISA STATIK DAN DINAMIK GEDUNG BERTINGKAT BANYAK AKIBAT GEMPA BERDASARKAN SNI - DENGAN VARIASI JUMLAH TINGKAT Revie Orchidentus Francies Wantalangie Jorry
Lebih terperinciBAB 3 LANGKAH PEMECAHAN MASALAH
BAB 3 LANGKAH PEMECAHAN MASALAH 3.1 Penetapan Kriteria Optimasi Gambar 3.1 Bagan Penetapan Kriteria Optimasi Sumber: Peneliti Determinasi Kinerja Operasional BLU Transjaarta Busway Di tahap ini, peneliti
Lebih terperinciBAB III METODE SCHNABEL
BAB III METODE SCHNABEL Uuran populasi tertutup dapat diperiraan dengan teni Capture Mar Release Recapture (CMRR) yaitu menangap dan menandai individu yang diambil pada pengambilan sampel pertama, melepasan
Lebih terperinciPENERAPAN DYNAMIC PROGRAMMING DALAM WORD WRAP Wafdan Musa Nursakti ( )
PENERAPAN DYNAMIC PROGRAMMING DALAM WORD WRAP Wafdan Musa Nursati (13507065) Program Studi Teni Informatia, Seolah Teni Eletro dan Informatia, Institut Tenologi Bandung Jalan Ganesha No. 10 Bandung, 40132
Lebih terperinciIMPLEMENTASI ALGORITMA KOLONI SEMUT PADA PROSES PENCARIAN JALUR TERPENDEK JALAN PROTOKOL DI KOTA YOGYAKARTA
Seminar Nasional Informatia 2009 (semnasif 2009) ISSN: 1979-2328 UPN Veteran Yogyaarta, 23 Mei 2009 IMPLEMENTASI ALGORITMA KOLONI SEMUT PADA PROSES PENCARIAN JALUR TERPENDEK JALAN PROTOKOL DI KOTA YOGYAKARTA
Lebih terperinciIMPLEMENTASI DAN ANALISIS ALGORITMA PENCARIAN RUTE TERPENDEK DI KOTA SURABAYA
94 IMPLEMENTASI DAN ANALISIS ALGORITMA PENCARIAN RUTE TERPENDEK DI KOTA SURABAYA Yudhi Purwananto 1, Diana Purwitasari 2, Agung Wahyu Wibowo Jurusan Teni Informatia, Institut Tenologi Sepuluh Nopember
Lebih terperinciKAJIAN TEOREMA TITIK TETAP PEMETAAN KONTRAKTIF PADA RUANG METRIK CONE LENGKAP DENGAN JARAK-W
J. Math. and Its Appl. ISSN: 1829-605X Vol. 8, No. 2, November 2011, 43 49 KAJIAN TEOREMA TITIK TETAP PEMETAAN KONTRAKTIF PADA RUANG METRIK CONE LENGKAP DENGAN JARAK-W Sunarsini. 1, Sadjidon 2 Jurusan
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Tinjauan Pustaa Untu menacapai tujuan penulisan sripsi, diperluan beberapa pengertian dan teori yang relevan dengan pembahasan. Karena itu, dalam subbab ini aan diberian beberapa
Lebih terperinciSISTEM PAKAR UNTUK MENDIAGNOSA PENYAKIT GAGAL GINJAL DENGAN MENGGUNAKAN METODE BAYES
Pelita Informatia Budi Darma, Volume : IV, Nomor: 3, Agustus 203 ISSN : 230-425 SISTEM PAKAR UNTUK MENDIAGNOSA PENYAKIT GAGAL GINJAL DENGAN MENGGUNAKAN METODE BAYES Sri Rahayu 044) Mahasiswa Program Studi
Lebih terperinciPenggunaan Metode Bagi Dua Terboboti untuk Mencari Akar-akar Suatu Persamaan
Jurnal Penelitian Sains Volume 16 Nomor 1(A) Januari 013 Penggunaan Metode Bagi Dua Terboboti untu Menari Aar-aar Suatu Persamaan Evi Yuliza Jurusan Matematia, FMIPA, Universitas Sriwijaya, Indonesia Intisari:
Lebih terperinciPEBANDINGAN METODE ROBUST MCD-LMS, MCD-LTS, MVE-LMS, DAN MVE-LTS DALAM ANALISIS REGRESI KOMPONEN UTAMA
PEBANDINGAN METODE ROBUST MCD-LMS, MCD-LTS, MVE-LMS, DAN MVE-LTS DALAM ANALISIS REGRESI KOMPONEN UTAMA Sear Wulandari, Nur Salam, dan Dewi Anggraini Program Studi Matematia Universitas Lambung Mangurat
Lebih terperinciINTEGRAL NUMERIK KUADRATUR ADAPTIF DENGAN KAIDAH SIMPSON. Makalah. Disusun guna memenuhi tugas Mata Kuliah Metode Numerik. yang dibimbing oleh
INTEGRAL NUMERIK KUADRATUR ADAPTIF DENGAN KAIDAH SIMPSON Maalah Disusun guna memenuhi tugas Mata Kuliah Metode Numeri yang dibimbing oleh Dr. Nur Shofianah Disusun oleh: M. Adib Jauhari Dwi Putra 146090400111001
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 terperinciBAB IV Solusi Numerik
BAB IV Solusi Numeri 4. Algoritma Genetia Algoritma Genetia (AG) [2] merupaan teni pencarian stoasti yang berdasaran pada meanisme selesi alam dan prinsip penurunan genetia. Algoritma genetia ditemuan
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 terperinciPENGENALAN POLA DENGAN MENGGUNAKAN METODE BACKPROPAGATION MENGGUNAKAN MATLAB
PENGENALAN POLA DENGAN MENGGUNAKAN METODE BACKPROPAGATION MENGGUNAKAN MATLAB Wirda Ayu Utari Universitas Gunadarma utari.hiaru@gmail.com ABSTRAK Program pengenalan pola ini merupaan program yang dibuat
Lebih terperinciESTIMASI TRAJECTORY MOBILE ROBOT MENGGUNAKAN METODE ENSEMBLE KALMAN FILTER SQUARE ROOT (ENKF-SR)
SEMINAR NASIONAL PASCASARJANA SAL ESIMASI RAJECORY MOBILE ROBO MENGGUNAKAN MEODE ENSEMBLE KALMAN FILER SQUARE ROO (ENKF-SR) eguh Herlambang Zainatul Mufarrioh Firman Yudianto Program Studi Sistem Informasi
Lebih terperinciPengaruh Masuknya Penambahan Pembangkit Baru kedalam Jaringan 150 kv pada Kapasitas Circuit Breaker
Pengaruh Masunya Penambahan Pembangit Baru edalam Jaringan 150 V pada Kapasitas Circuit Breaer Emelia, Dian Yayan Suma Jurusan Teni Eletro Faultas Teni Universitas Riau Kampus Binawidya Km 12,5 Simpang
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 terperinci