Jurnal Teknologi Informasi, Volume 10 Nomor 2, Oktober 2014, ISSN
|
|
- Surya Hardja
- 7 tahun lalu
- Tontonan:
Transkripsi
1 ANALISIS DATA TRANSAKSI PENJUALAN UNTUK KLASIFIKASI JENIS BARANG DAN RELASI DAYA BELI RELATIF MASYARAKAT MENGGUNAKAN ALGORITMA K-MEANS SERTA ASOSIASI APRIORI Lilis Diana 1 dan Guruh Fajar Shidik 2 1,2 Pascasarjana Teknik Informatika Universitas Dian Nuswantoro Abstract Use of transaction data in large amounts in a company is not only for the recording and materials of a report, but also required the analysis to explore the potentials in the data transaction to be processed by using a specific algorithm. One of the method in the association rules is Aprori association algorithm that can be used to explore the potential of inter-related data. In this study, the number of transactions with a lot of the items of goods and consumer purchasing power that varies, are grouped first by using the k- means algorithm, the results of cluster in the goods of item formed into 60 clusters and consumer purchasing power is formed into three relative purchasing power clusters there are low, medium and high relative purchasing power of consumers. From the results of the clustering is then performed with the association process and the results of support value and the highest confidence value for two or three items that are in the cluster of high purchasing power. For the two-item support values of 36% and 70% confidence, the three-item support values of 21% and 80% confidence. When it is compared with the purchasing power that is clustered and not (general purchasing power), the result is the clustered purchasing power is better. Keywords: Association Apriori, K-means, Data Mining, Confusion Matrix 1. PENDAHULUAN Situasi kondisi perekonomian yang ada pada saat ini menunjukkan adanya perkembangan dunia usaha semakin pesat yang memicu kepada tingkat persaingan bisnis juga semakin meningkat. Begitu juga bisnis di bidang ritel meningkat, kenaikan jumlah gerai ritel terutama dipicu oleh pertumbuhan gerai minimarket yang fenomenal. Jika pada tahun 2007 total gerai minimarket hanya maka pada tahun 2010 melonjak pesat hingga mencapai sekitar buah. Sedangkan pada tahun 2011 diperkirakan akan meningkat menjadi gerai.[13]. Pemanfaatan data dalam jumlah besar yang ada dalam sebuah system informasi untuk menunjang kegiatan pengambilan keputusan tidak cukup hanya mengandalkan data operasional sebagai pencatatan dan bahan pembuatan suatu laporan saja, akan tetapi diperlukan penggalian potensi potensi yang ada dalam data transaksi untuk diolah dengan menggunakan metode algoritma tertentu. Salah satu metode yang ada pada association rules adalah metode algoritma Apriori yang bisa digunakan untuk menggali potensi data yang saling berkaitan. Gambar 1 memberikan gambaran tentang jumlah transaksi yang dibuktikan dengan banyaknya jumlah struk setiap harinya yang berpengaruh terhadap penerimaan perusahaan [16]. Gambar 1. Data Struk & Penerimaan Satu Bulan 211
2 Pemilihan data transaksi penjualan barang dijadikan objek untuk dianalisis dikarenakan dalam data transaksi penjualan barang tersimpan potensi potensi atau fakta yang didokumentasikan untuk digali dan diproses menjadi informasi yang bermanfaat bagi perusahaan. Dari setiap receipt tercantum jenis barang yang dibeli, harga barang yang dibeli, jumlah barang yang dibeli, total belanja, tanggal dan waktu transaksi. Dalam penelitian ini akan menganalisis potensi potensi dari setiap receipt tentang hubungan atau asosiasi antara jenis barang yang satu dengan jenis barang yang lainnya yang direlasikan dengan kemampuan daya beli masyarakat. Proses asosiasi dilakukan menggunakan algoritma Apriori untuk mencari pembentukan dua itemset atau tiga itemset dari setiap cluster jenis barang dengan menghitung berapa nilai support cluster jenis barang yang dibeli secara bersamaan dengan cluster jenis barang lainnya dan seberapa besar nilai kepastian atau nilai confidence cluster jenis barang dibeli secara bersamaan dengan cluster jenis barang lainnya baik secara umum maupun berdasarkan cluster daya beli masyarakat. Nilai support dan confidence yang dihasilkan dari setiap cluster dievaluasi untuk mendapatkan nilai terbesar yang akan dijadikan sebagai kesimpulan dari penelitan yang dilakukan. 2. LANDASAN TEORI 2.1. Konsep Dasar Aturan Asosiasi Algoritma Asosiasi aturan pertambangan untuk mencari korelasi antara item dalam dataset telah banyak mendapat perhatian terutama sejak publikasi AIS dan algoritma Apriori [2][3] yang awal penelitian sebagian besar didorong oleh analisis data keranjang pasar, hasil yang memungkinkan perusahaan lebih memahami perilaku pembelian sehingga berdampak pada pencapaian target pasar. Ada dua langkah dasar yang penting untuk aturan asosiasi, dukungan ( s ) dan kepercayaan ( c ). Karena database besar dan kekhawatiran pengguna tentang barang yang sering dibeli, biasanya ambang dukungan dan kepercayaan yang telah ditetapkan oleh pengguna untuk menetapkan aturan aturan yang menarik atau berguna. Dukungan ( s ) dari suatu aturan asosiasi didefinisikan sebagai prosentasi yang berisi X U Y terhadap total jumlah record dalam database. Misalkan dukungan dari item adalah 0.1%, itu berarti hanya 0,1 persen dari transaksi mengandung pembelian item ini [14]. Keyakinan atau kepercayaan adanya aturan asosiasi didefinisikan sebagai prosentasi ber transaksi yang mengandung X U Y dengan jumlah total transaksi yang mengandung X. Keyakinan adalah ukuran kekuatan aturan asosiasi, misalnya keyakinan dari aturan asosiasi X Y adalah 80%, itu berarti bahwa 80% dari transaksi yang mengandung X juga mengandung Y bersama-sama [14] Teknik Clustering Tujuan utama dari metode cluster adalah pengelompokkan sejumlah data/obyek ke dalam cluster ( group ) sehingga dalam setiap cluster akan berisi data yang semirip mungkin. Dalam clustering kita berusaha untuk menempatkan obyek yang mirip ( jaraknya dekat ) dalam satu cluster dan membuat jarak antar cluster sejauh mungkin. Ini berarti obyek dalam satu cluster sangat mirip satu sama lain dan berbeda dengan obyek dalam cluster cluster yang lain.[22] Algoritma Klasifikasi K-Means Algoritma klasifikasi K-Means merupakan metode clustering berbasis jarak yang mempartisi data ke sejumlah kelompok dan bekerja pada atribut numerik Algoritma ini dimulai dengan pemilihan jumlah kelompok ( k ) secara acak serta pengambilan sebagian populasi sejumlah ( k ) untuk dijadikan sebagai titik pusat awal. Salah satu metode perhitungan jarak yang bisa digunakan adalah Euclidean Distance. Perhitungan jarak menggunakan metode Euclidean dinyatakan sebagai berikut. d ( x,y ) =..(1) 212
3 Keterangan: x ; obyek ke 1 y ; obyek ke 2 n ; banyaknya atribut obyek ke 1, obyek ke 2. Prosedur dasar clustering K-Means adalah sebagai berikut. a. Menentukan k sebagai jumlah cluster yang ingin dibentuk. b. Membangkitkan k centroid ( titik pusat cluster ) awal secara random. c. Menghitung jarak setiap data ke masing masing centroids. d. Setiap data memilih centroid yang terdekat. e. Menentukan posisi centroid baru dengan cara menghitung nilai rata rata dari data data yang berada pada centroid yang sama. f. Kembali ke langkah 3 jika posisi centroid baru dengan centroid lama tidak sama Algoritma Apriori Analisis asosiasi atau association rule mining adalah teknik data mining untuk menemukan aturan asosiatif antara suatu kombinasi item. Biasanya digunakan untuk analisis pembelian barang di pasar swalayan dengan maksud untuk mengetahui berapa besar kemungkinan seorang konsumen membeli satu jenis barang bersamaan dengan jenis barang yang lainnya. Sehingga perusahaan dapat mengatur strategi promosi dengan penempatan barang yang saling berhubungan ditempatkan secara berdekatan dan menetapkan strategi harga promosi untuk barang barang tertentu yang saling berhubungan. Metode dasar analisis asosiasi terbagi menjadi dua tahap [15] : a. Analisis pola frekuensi tinggi Tahap ini mencari kombinasi item yang memenuhi syarat minimum dari nilai support dalam database. Nilai support sebuah item diperoleh dengan rumus berikut. Support A =...( 2 ) Sementara itu, nilai support dari 2 item diperoleh dari rumus 2 berikut : Support ( A,B ) = P ( A B ) Support ( A,B ) =..(3) b. Pembentukan Aturan Asosiasi Setelah semua pola frekuensi tinggi dtemukan, barulah dicari aturan asosiasi yang memenuhi syarat minimum untuk confidence dengan menghitung confidence aturan asosiatif A B. Nilai confidence dari aturan A B diperoleh dari rumus berikut. Confidence = P ( B A ) =..(4) 2.5. Confusion Matrix Confusion Matrix menunjukkan jumlah prediksi yang benar dan salah yang dibuat oleh model klasifikasi dibandingkan dengan hasil yang sebenarnya ( nilai target ) dalam data. Matrix adalah n x n, dimana n adalah jumlah nilai target ( kelas ). Kinerja model seperti ini biasanya dievaluasi dengan menggunakan data dalam matrix. Tabel berikut menampilkan confusion matrix 2 x 2 untuk dua kelas ( positif dan negatif ).[12]
4 Tabel 1. Confusion Matrix Confusion Matrix Tar get Positive Negative Model Positive a b Positive Predictive value a/(a+b) Negative c d Negative Predictive Value d/(c+d) sensitivity Specificity a/(a+c) d/(b+d) Accuracy = (a+d)/(a+b+c+d) Akurasi : proporsi jumlah prediksi yang benar.[12] a. Positif presisi nilai prediktif atau proporsi kasus positif yang diidentifikasi dengan benar. b. Negatif prediktif value : proporsi kasus negatif yang diidentifikasi dengan benar. c. Sensitivitas : proporsi kasus positif sebenarnya yang diidentifikasi dengan benar. d. Kekhususan : proporsi kasus negatif yang sebenarnya yang diidentifikasi dengan benar. 3. HASIL EKSPERIMEN 3.1. Hasil Cluster Item Barang Dari data kode barang yang diproses dengan tools rapidminer menggunakan metode algoritma K-Means didapat hasil 60 cluster sebagai berikut. Tabel 2. Hasil Cluster Item Barang Cluster Model Cluster 0: 20 items Cluster 1: 18 items Cluster 2: 54 items Cluster 3: 12 items Cluster 4: 22 items Cluster 5: 71 items Cluster 6: 7 items Cluster 7: 60 items Cluster 8: 1 items Cluster 9: 2 items Cluster 10: 27 items Cluster 11: 31 items Cluster 12: 33 items Cluster 13: 8 items Cluster 14: 71 items Cluster 15: 50 items Cluster 16: 20 items Cluster 17: 18 items Cluster 18: 7 items Cluster 19: 28 items Cluster 20: 4 items Cluster 21: 21 items Nama Cluster Insektisida Buah & Bumbu Snack Tepung Chocolate Ice Cream Kecap Candy & Chicken ID Card Syrup Margarine & Makanan Bayi Asesoris & Alat Kontrasepsi & Abon Mie Sabun Pampers Gas & Gula & Handuk Kopi & Madu & Keju Pakaian Dalam Chocolate 214
5 Cluster 22: 1 items Cluster 23: 11 items Cluster 24: 16 items Cluster 25: 18 items Cluster 26: 53 items Cluster 27: 26 items Cluster 28: 53 items Cluster 29: 19 items Cluster 30: 15 items Cluster 31: 25 items Cluster 32: 5 items Cluster 33: 27 items Cluster 34: 14 items Cluster 35: 2 items Cluster 36: 27 items Cluster 37: 28 items Cluster 38: 57 items Cluster 39: 23 items Cluster 40: 36 items Cluster 41: 25 items Cluster 42: 51 items Cluster 43: 26 items Cluster 44: 36 items Cluster 45: 21 items Cluster 46: 55 items Cluster 47: 80 items Cluster 48: 6 items Cluster 49: 15 items Cluster 50: 13 items Cluster 51: 29 items Cluster 52: 56 items Cluster 53: 14 items Cluster 54: 14 items Cluster 55: 1 items Cluster 56: 15 items Cluster 57: 17 items Cluster 58: 19 items Cluster 59: 15 items Total number of items: 1549 Mushrooms Pembersih Pampers Perkakas & Pewangi Pembalut Snack Rokok Sozzis Pasta Gigi Rokok Jam Kecantikan Shampoo Roti Snack Pudding & Pulsa & Ponsel Elektronik & Detergent Kecantikan Obat Sardines & Santan Teh & Telur Minyak Goreng Kecantikan Sikat Gigi ATK & Beras Corned Rokok Sambal & Sandal Mainan & Majalah Dari cluster jenis barang tersebut selanjutnya diproses asosiasi menggunakan algoritma Asosiasi Apriori dan tools Java Hasil Cluster Daya Beli Relatif Hasil cluster daya beli relatif masyarakat terbagi menjadi tiga, yakni : Daya Beli Reatif Tinggi, Daya Beli Relatif Menengah dan Daya Beli Relatif Rendah
6 Tabel 3. Nilai Nominal Cluster Daya Beli Relatif Cluster Nilai Rupiah Daya Beli Relatif Tinggi DBRT >= Daya Beli Relatif Menengah =< DBRM =< Daya Beli Relatif Rendah DBRR=< Hasil Asosiasi Tabel 4. Jumlah Asosiasi yang Dihasilkan DBR Min S Min C Jml Data Jml 2 itemset Jml 3 itemset DBRU asosiasi 5 asosiasi DBRR asosiasi 2 asosiasi DBRM asosiasi 6 asosiasi DBRT asosiasi 6 asosiasi 3.4. Waktu Proses Asosiasi Tabel 5. Cluster Daya Beli dan Waktu Proses Asosiasi Cluster jml Transaksi Waktudetik waktu/trans DBRU DBRR DBRM DBRT Nilai Support Satu Item Tabel 6. Nilai Support Tertinggi Satu Item Uraian Nama Barang Nilai Support DBRU Mie DBRT Mie DBRM Mie DBRR Ice Cream
7 3.6. Nilai Support & Confidence Dua Item Tabel 7. Nilai Support & Confidence Dua Item Uraian 3.7. Nilai Support & Confidence Tiga Item Nama Barang NS NC NS*N C DBRU Obat+Mie DBRT Sabun+ Nano2a DBRM Snack2+ Mie DBRR +Ice ream Tabel 8. Nilai Support & Confidence Tiga Item Uraian Nama Barang NS NC NS*NC DBRU Ice Cream++Snack Sabun+Nano2b (C26)+ DBRT Nano2a ( C44 ) DBRM Obat+Sabun+Mie DBRR Snack++Ice Cream Evaluasi Accuracy Cluster K-Means Jumlah item barang sebanyak item yang secara manual diberi label dan kode barang menjadi 60 kelompok jenis barang. Sedangkan hasil proses pengelompokkan dengan algoritma K-Means dan tools rapidminer menghasilkan 46 cluster yang terdefinisi dengan sempurna dan 14 cluster yang terdefinisi tidak sempurna. Dari 46 cluster tersebut ada beberapa cluster yang berisi jenis barang yang sama, berikut daftar cluster yang berisi jenis barang yang sama. Dari hasil tersebut bisa dihitung Accuracy cluster K-Means dengan Confusion Matrix sebagai berikut. Tabel 9. Accuracy Cluster K-Means Confusion Matrix Tar get Positive Negative Model Positive Positive Predictive Value a/(a+b) Negative Negative Predictive Value d/(c+d) sensitivity Specificity a/(a+c) d/(b+d) Accuracy = (a+d)/(a+b+c+d) 217
8 Tabel 10. Accuracy Cluster K-Means Item Barang No Uraian Perhitungan Hasil 1 Positive Predictive Value 60/(60+28) Negative Predictive Value 14/(18+14) Sensitivity 60/(60+18) Specificity 14/(28+14) Accuracy (60+14)/( ) PENUTUP 4.1. Kesimpulan a. Jumlah cluster jenis barang yang dihasilkan 60 cluster dengan 46 cluster yang terdefinisi sempurna dan 14 cluster yang terdefinisi tdak sempurna. b. Jumlah cluster daya beli masyarakat yang dihasilkan sebanyak tiga cluster yang terdiri cluster daya beli relatif tinggi, cluster daya beli relatif menengah dan cluster daya beli relatif rendah. c. Asosiasi dua jenis barang yang dihasilkan untuk cluster daya beli relatif umum, tinggi, menengah dan rendah sama yaitu lima asosiasi, sedangkan untuk asosiasi tiga jenis barang cluster daya beli relatif menengah dan rendah enam asosiasi dan cluster daya beli umum lima asosiasi dan cluster daya beli tinggi dua asosiasi. d. Hasil perkalian nilai support dan nilai confidence tertinggi untuk dua item barang maupun tiga item barang berada pada cluster daya beli tinggi, yaitu yang dua item ( support 36% dan confidence 70% ), yang tiga item ( support 21% dan confidence 80% ), artinya nilai kepastian konsumen untuk melakukan pembelian secara bersamaan untuk dua item barang maupun tiga item barang terdapat pada kosumen cluster tinggi dengan demikian daya beli tinggi memberikan kepastian yang lebih besar atau lebih meyakinkan. e. Hasil penelitian Nilai Support dan Nilai Confidence daya beli umum untuk yang satu jenis barang, dua jenis barang maupun yang tiga jenis barang nilainya paling rendah baik untuk kelompok daya beli rendah, daya beli menengah maupun daya beli tinggi. Dengan demikian daya beli yang dicluster hasilnya lebih baik dibandingkan dengan yang tidak dicluster. f. Dengan melakukan cluster menggunakan metode algoritma k-means membantu mempercepat proses asosiasi dengan algoritma apriori Saran a. Untuk meningkatkan accuracy cluster jenis barang lebih baik data diambil langsung dari database perusahaan. b. Untuk penelitian selanjutnya bisa dikembangkan dengan mengambil data transaksi dibeberapa lokasi misalnya untuk di tingkat desa, kecamatan, kabupaten dan provinsi atau mengambil data perbandingan antar waktu atau moment moment tertentu. c. Untuk metode algoritma bisa dikembangkan dengan algoritma yang lain sebagai perbandingan untuk mendapatkan hasil yang lebih baik. DAFTAR PUSTAKA [1] Afif Syaifullah Muhammad,"Implementasi Data Mining Algoritma Apriori pada Sistem Penjualan,"STMIK AMIKOM YOGYAKARTA
9 [2] Agrawal,R.,Imielinski,T.,and Swami,A.N. 1993, Mining association rules between sets of items in large database. In Proceedings of the 1993 ACM SIGMOD International Conference on Management of Data, [3] Agrawal, Rakesh and Srikant, Ramakrishnan Fast algorithms for mining associationrules. Proceeding of the 1994 International Conference Very Large Data Bases, Santiago, Chile. [4] Borgelt Christian," Implementation of the FP-growth Algorithm, Departement of Knowledge Processing and Language Engneering School of Computer Science", Otto-Von-Guericke-Unversty of Magdeburg Universitatsplatz 2, Magdeburg,Germany,Workshop KDD [5] Borgelt Christian, Thosten Meini, Michael Berthold," A Program for Molecular Substructure Mining", Departement of Knowledge Processing and Language Engneering School of Computer Science, Otto-Von-Guericke-Unversty of Magdeburg Universitatsplatz 2, Magdeburg,Germany, Computer Science Departement 2 University of Erlangen-Nuremberg MartenstraBe 3, Erlangen, Germany, Dept. of Computer and Information Science University of Konstanz 7857 Konstanz, Germany.Workshop KDD [6] Ceglar Aaron and John.Roddick," Association Mining", ACM Computing Surveys, vol,38,no,2, Article 5, Publication date,july [7] Dinda Setiawati Devi,"Penggunaan Metode Apriori Untuk Analisa Keranjang Pasar Pada Data Transaksi Penjualan Minimarket Menggunakan Java & MySQL," Tesis-Pasca Sarjana Universitas Gunadarma,2009. [8] Erwin, Analisis Market Basket Dengan Algoritma Apriori dan FP-Growth, ISSN /@2009 Jurnal Generic. [9] El-Hajj Mohammad and Osmar R.Zaiane," Implementing Leap Traversals of the Itemset Lattice", Departemen of Computing Science, University of Alberta Edmonton,AB Canada, Workshop KDD [10] Fayyad,Usama,"Advances in Knowledge Discovery and Data Mning,"MIT Press,1996. [11] Handojo Andreas, Gregorius Satia Budhi, Hendra Rusly," Aplikasi Data Mining Untuk Meneliti Item Barang Di Supermaket Dengan Metode Market Basket Analysis," Jurusan Teknik Informatika, Universitas Kristen Petra Surabaya, [12] evaluation c.htm tgl 06 Mei 2013.jam 7.34pm [13] Indonesian Commercial Newsletter Juni 2011, Perkembangan Bisnis Ritel Modern, [14] Kotsiantis Sotiris, Dimitris Kanellopoulos," Tinjauan Terbaru Aturan Asosiasi Pertambangan", Software pendidikan Pengembangan Laboratorum Departemen Matematika, Universitas Patras Yunani,2006. [15] Kusrini, Taufik Luthfi Emha,"Algoritma Data Mining",C.V.Andi Offset Yogyakarta [16] Laporan Keuangan Indomaret Wanaraja Bulan Mei 2012 [17] Larose, Daniel T," Discovering Knowledge in Data: An Introduction to Data Mining", John Willey & Sons,Inc,2005. [18] Piatetsky,G.and Shapiro,"An introduction:machine learning, data mining, and knowledge discovery", Course in data mining KDnuggets,2006. [19] S.Moertini Veronica dan Marsela Yulita,"Analisis Keranjang Pasar Dengan Algoritma Hash-Based Pada Data Transaksi Penjualan Apotek,"Integral.Vol.9 No.4 November [20] Santi Wahyuni Febriana," Penggunaan Cluster-Based Sampling Untuk Penggalian Kaidah Asosiasi Multi Obyektif," Jurusan Teknik Informatika, Fakultas Teknologi Industri, Institut Teknologi Nasional-Malang. [21] Santosa Budi,"Data Mining Teknik Pemanfaatan Data Untuk Keperluan Bisnis," Graha Ilmu Yogyakarta,2007. [22] Turban,E.,dkk,"Decision Support Systems and Intelligent System",Yogyakarta:Andi Offset,
2.1 Penelitian Terkait
BAB II TINJAUAN PUSTAKA 2.1 Penelitian Terkait Penelitian yang dilakukan oleh Dinda Setiawati Devi dengan menggunakan metode Apriori untuk analisa keranjang pasar untuk 100 data transaksi dan 55 jenis
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 terperinciPENERAPAN METODE ASOSIASI DATA MINING MENGGUNAKAN ALGORITMA APRIORI UNTUK MENGETAHUI KOMBINASI ANTAR ITEMSET PADA PONDOK KOPI
PENERAPAN METODE ASOSIASI DATA MINING MENGGUNAKAN ALGORITMA APRIORI UNTUK MENGETAHUI KOMBINASI ANTAR ITEMSET PADA PONDOK KOPI Fitri Nurchalifatun Fakultas Ilmu Komputer, Universitas Dian Nuswantoro, Jl.
Lebih terperinciDATA MINING UNTUK ANALISA PENJUALAN KERIPIK UD MARTOP PRATAMA MENGGUNAKAN ALGORITMA APRIORI
DATA MINING UNTUK ANALISA PENJUALAN KERIPIK UD MARTOP PRATAMA MENGGUNAKAN ALGORITMA APRIORI SKRIPSI Diajukan Untuk Memenuhi Sebagian Syarat Guna Memperoleh Gelar Sarjana Komputer (S.Kom) Pada Program Studi
Lebih terperinciBAB 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 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 terperinciAnalisa Data Mining Menggunakan Algoritma Frequent Pattern Growth Pada Data Transaksi Penjualan Restoran Joglo Kampoeng Doeloe Semarang
Analisa Data Mining Menggunakan Algoritma Frequent Pattern Growth Pada Data Transaksi Penjualan Restoran Joglo Kampoeng Doeloe Semarang Tia Arifatul Maulida Fakultas Ilmu Komputer, Universitas Dian Nuswantoro,
Lebih terperinciPENERAPAN ASSOCIATION RULE DENGAN ALGORITMA APRIORI PADA TRANSAKSI PENJUALAN DI MINIMARKET SKRIPSI. Diajukan Untuk Memenuhi Sebagian Syarat Guna
PENERAPAN ASSOCIATION RULE DENGAN ALGORITMA APRIORI PADA TRANSAKSI PENJUALAN DI MINIMARKET SKRIPSI Diajukan Untuk Memenuhi Sebagian Syarat Guna Memperoleh Gelar Sarjana Komputer (S.Kom) Pada Program Studi
Lebih terperinciANALISIS MARKET BASKET DENGAN ALGORITMA APRIORI (STUDY KASUS TOKO ALIEF)
ANALISIS MARKET BASKET DENGAN ALGORITMA APRIORI (STUDY KASUS TOKO ALIEF) Hernawati STMIK Nusa Mandiri Jl. Kramat Raya No. 18 Rt. 01/Rw. 07 Kwitang, Senen, Jakarta Pusat watiherna27@gmail.com ABSTRAK Dalam
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 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 II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Dasar Teori 2.1.1 Data Mining Data mining adalah suatu istilah yang digunakan untuk menguraikan penemuan pengetahuan di dalam database. Data mining adalah Proses yang menggunakan
Lebih terperinciJURNAL IMPLEMENTASI DATA MINING UNTUK MEMPREDIKSI HASIL PENJUALAN BARANG PADA TOKO SINAR BARU DENGAN MENGGUNAKAN ALGORITMA APRIORI
JURNAL IMPLEMENTASI DATA MINING UNTUK MEMPREDIKSI HASIL PENJUALAN BARANG PADA TOKO SINAR BARU DENGAN MENGGUNAKAN ALGORITMA APRIORI IMPLEMENTATION OF DATA MINING TO PREDICT RESULTS OF SALES GOODS IN THE
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 terperinciANALISIS KETERKAITAN DATA TRANSAKSI PENJUALAN BUKU MENGGUNAKAN ALGORITMA APRIORI DAN ALGORITMA CENTROID LINKAGE HIERARCHICAL METHOD (CLHM)
ANALISIS KETERKAITAN DATA TRANSAKSI PENJUALAN BUKU MENGGUNAKAN ALGORITMA APRIORI DAN ALGORITMA CENTROID LINKAGE HIERARCHICAL METHOD (CLHM) Nurani 1, Hamdan Gani 2 1 nurani_nanni@yahoo.com, 2 hamdan.gani.inbox@gmail.com
Lebih terperinciANALISIS KERANJANG BELANJA DENGAN ALGORITMA APRIORI PADA PERUSAHAAN RETAIL
Seminar Nasional Sistem Informasi Indonesia, 2-4 Desember 2013 ANALISIS KERANJANG BELANJA DENGAN ALGORITMA APRIORI PADA PERUSAHAAN RETAIL A.A. Gede Bagus Ariana 1), I Made Dwi Putra Asana 2) 1 STMIK STIKOM
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 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 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 terperinciABSTRACT Market basket analysis is a way to know the shopping habits of people in one place on goods purchased. Market basket analysis to produce an a
ANALISIS KERANJANG PASAR MENGGUNAKAN ALGORTIMA PREDICTIVE APRIORI UNTUK MENEMUKAN ATURAN ASOSIASI DI APOTEK SEHAT JAYA NINDITYA KHARISMA, METTY MUSTIKASARI Undergraduate Program, Information Systems Gunadarma
Lebih 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 terperinciASSOCIATION RULE DENGAN ALGORITMA FP-GROWTH DETERMINING LOCATION OF GOODS IN A
PENENTUAN LOKASI BARANG PADA A Swalayan MENGGUNAKAN ASSOCIATION RULE DENGAN ALGORITMA FP-GROWTH DETERMINING LOCATION OF GOODS IN A Swalayan USING ASSOCIATION RULE BY FP-GROWTH ALGORITHM Ardi Wijaksono
Lebih 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 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 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 terperinciBAB 2 TINJAUAN PUSTAKA DAN DASAR TEORI. yang akan diteliti. Pemanfaatan algoritma apriori sudah cukup banyak digunakan, antara lain
BAB 2 TINJAUAN PUSTAKA DAN DASAR TEORI 2.1 Tinjauan Pustaka Penelitian ini menggunakan beberapa sumber pustaka yang berhubungan dengan kasus yang akan diteliti. Pemanfaatan algoritma apriori sudah cukup
Lebih terperinciBAB 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 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 terperinciPENERAPAN ALGORITMA APRIORI ASSOCIATION RULE UNTUK ANALISA NILAI MAHASISWA DI UNIVERSITAS GUNADARMA
PENERAPAN ALGORITMA APRIORI ASSOCIATION RULE UNTUK ANALISA NILAI MAHASISWA DI UNIVERSITAS GUNADARMA Margi Cahyanti 1), Maulana Mujahidin 2), Ericks Rachmat Swedia 3) 1) Sistem Informasi Universitas Gunadarma
Lebih 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 terperinciJURNAL IMPLEMENTASI DATA MINING ALGORITMA APRIORI PADA SISTEM PENJUALAN ROTI DI DIFA RIEN S BAKERY
JURNAL IMPLEMENTASI DATA MINING ALGORITMA APRIORI PADA SISTEM PENJUALAN ROTI DI DIFA RIEN S BAKERY Oleh: SITI TRI WAHYUNI 12.1.03.03.0033 Dibimbing oleh : 1. HERMIN ISTIASIH, ST.,MM.,MT 2. ARIE NUGROHO,
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 terperinciIMPLEMENTASI ALGORITMA APRIORI UNTUK MENENTUKAN PAKET PEMBELIAN (STUDI KASUS : RD SWALAYAN) SKRIPSI
IMPLEMENTASI ALGORITMA APRIORI UNTUK MENENTUKAN PAKET PEMBELIAN (STUDI KASUS : RD SWALAYAN) SKRIPSI Diajukan Untuk Penulisan Skripsi Guna Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Komputer (S.Kom.)
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 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 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 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 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 terperinciPENERAPAN ALGORITMA APRIORI DALAM MEMPREDIKSI PERSEDIAAN BUKU PADA PERPUSTAKAAN SMA DWI TUNGGAL TANJUNG MORAWA
PENERAPAN ALGORITMA APRIORI DALAM MEMPREDIKSI PERSEDIAAN BUKU PADA PERPUSTAKAAN SMA DWI TUNGGAL TANJUNG MORAWA Domma Lingga Mahasiswa Program Studi Teknik Informatika STMIK Budidarma Medan Jl. Sisingamangaraja
Lebih 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 terperinciANALISIS DAN IMPLEMENTASI ALGORITMA FP-GROWTH PADA APLIKASI SMART UNTUK MENENTUKAN MARKET BASKET ANALYSIS PADA USAHA RETAIL (STUDI KASUS : PT.
ANALISIS DAN IMPLEMENTASI ALGORITMA FP-GROWTH PADA APLIKASI SMART UNTUK MENENTUKAN MARKET BASKET ANALYSIS PADA USAHA RETAIL (STUDI KASUS : PT.X) ANALYSIS AND IMPLEMENTATION OF FP-GROWTH ALGORITHM IN SMART
Lebih 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 terperinciPENERAPAN METODE ASOSIASI GSP DAN APRIORI UNTUK STOK DAN REKOMENDASI PRODUK
Konferensi Nasional Ilmu Sosial & Teknologi (KNiST) Maret 2017, pp. 412~416 412 PENERAPAN METODE ASOSIASI GSP DAN APRIORI UNTUK STOK DAN REKOMENDASI PRODUK Elly Muningsih AMIK BSI Yogyakarta e-mail : elly.emh@bsi.ac.id
Lebih terperinciBAB I PENDAHULUAN. pesat, ini dapat dilihat dari kemunculan berbagai aplikasi-aplikasi yang dapat
BAB I PENDAHULUAN I.1. Latar Belakang Perkembangan teknologi perangkat lunak pada masa sekarang ini sangatlah pesat, ini dapat dilihat dari kemunculan berbagai aplikasi-aplikasi yang dapat memudahkan user
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 terperinciAnalisis Frekuensi Pola Pembelian Konsumen Menggunakan Algoritma Frequent Pattern Growth Pada Data Transaksi Penjualan Bon Bon Resto Semarang
Analisis Frekuensi Pola Pembelian Konsumen Menggunakan Algoritma Frequent Pattern Growth Pada Data Transaksi Penjualan Bon Bon Resto Semarang Nur Imam Fachruzi Fakultas Ilmu Komputer, Universitas Dian
Lebih terperinciDATA MINING ASOSIASI UNTUK MENENTUKAN CROSS-SELLING PRODUK MENGGUNAKAN ALGORITMA FREQUENT PATTERN-GROWTH PADA KOPERASI KARYAWAN PT.
DATA MINING ASOSIASI UNTUK MENENTUKAN CROSS-SELLING PRODUK MENGGUNAKAN ALGORITMA FREQUENT PATTERN-GROWTH PADA KOPERASI KARYAWAN PT. PHAPROS SEMARANG Frismadani Anggita Priyana 1, Acun Kardianawati 2 1,2
Lebih terperinciPENERAPAN ALGORITMA K-MEANS PADA KUALITAS GIZI BAYI DI INDONESIA
PENERAPAN ALGORITMA K-MEANS PADA KUALITAS GIZI BAYI DI INDONESIA Diajeng Tyas Purwa Hapsari Teknik Informatika STMIK AMIKOM Yogyakarta Jl Ring road Utara, Condongcatur, Sleman, Yogyakarta 55281 Email :
Lebih terperinciPERBANDINGAN ALGORITMA APRIORI DAN ALGORITMA FP-GROWTH UNTUK PEREKOMENDASI PADA TRANSAKSI PEMINJAMAN BUKU DI PERPUSTAKAAN UNIVERSITAS DIAN NUSWANTORO
PERBANDINGAN ALGORITMA APRIORI DAN ALGORITMA FP-GROWTH UNTUK PEREKOMENDASI PADA TRANSAKSI PEMINJAMAN BUKU DI PERPUSTAKAAN UNIVERSITAS DIAN NUSWANTORO Rizky Mei Anggraeni Program Studi Teknik Informatika,
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. Sumber data utama yang digunakan dalam penelitian ini berasal dari data
BAB IV HASIL DAN PEMBAHASAN A. Pengumpulan Data Sumber data utama yang digunakan dalam penelitian ini berasal dari data transaksi 3 bulan terakhir yaitu bulan Maret, April, Mei tahun 2012 di swalayan XYZ
Lebih terperinciPenerapan Data Mining Penjualan Sepatu Menggunakan Metode Algoritma Apriori
Penerapan Data Mining Penjualan Sepatu Menggunakan Metode Algoritma Apriori Erma Delima Sikumbang Komputerisasi Akuntansi AMIK BSI Jakarta Jl. RS Fatmawati No. 24 Pondok Labu Jakarta Selatan Erma@bsi.ac.id
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 terperinciALGORITMA GENERALIZED SEQUENTIAL PATTERN UNTUK MENGGALI DATA SEKUENSIAL SIRKULASI BUKU PADA PERPUSTAKAAN UK PETRA
ALGORITMA GENERALIZED SEQUENTIAL PATTERN UNTUK MENGGALI DATA SEKUENSIAL SIRKULASI BUKU PADA PERPUSTAKAAN UK PETRA Gregorius Satia Budhi 1, Andreas Handojo, Christine Oktavina Wirawan 1,, Jurusan Teknik
Lebih 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 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 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 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 terperinciDecision Support on Supply Chain Management System Using Apriori Data Mining Algorithm
Decision Support on Supply Chain Management System Using Apriori Data Mining Algorithm Eka Widya Sari, Ahmad Rianto, Siska Diatinari Andarawarih College Of Informatics And Computer Engineering Indonesia
Lebih terperinciALGORITMA GENERALIZED SEQUENTIAL PATTERN UNTUK MENGGALI DATA SEKUENSIAL SIRKULASI BUKU PADA PERPUSTAKAAN UK PETRA
ALGORITMA GENERALIZED SEQUENTIAL PATTERN UNTUK MENGGALI DATA SEKUENSIAL SIRKULASI BUKU PADA PERPUSTAKAAN UK PETRA Gregorius Satia Budhi 1, Andreas Handojo, Christine Oktavina Wirawan 1,, Jurusan Teknik
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
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 terperinciASSOCIATION RULE MINING UNTUK PENENTUAN REKOMENDASI PROMOSI PRODUK
ASSOCIATION RULE MINING UNTUK PENENTUAN REKOMENDASI PROMOSI PRODUK Wiwit Agus Triyanto Fakultas Teknik, Program Studi Sistem Informasi Universitas Muria Kudus Email: at.wiwit@yahoo.co.id ABSTRAK Rekomendasi
Lebih terperinciBAB 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 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 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 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 terperinciPerancangan Data Mining dalam Analisis Asosiasi Kuantitatif Pembelian Item Barang dengan Metode Apriori
JURNAL SISTEM DAN INFORMATIKA 29 Perancangan Data Mining dalam Analisis Asosiasi Kuantitatif Pembelian Item Barang dengan Metode Apriori I Gusti Ayu Sri Melati, I Gusti Ayu Desi Saryanti STMIK STIKOM Bali
Lebih terperinciBAB III METODE PENELITIAN
25 BAB III METODE PENELITIAN 3.1 Desain Penelitian Penelitian ini menggunakan jenis penelitian eksperimen, dengan tahapan penelitian sebagai berikut: 1. Pengumpulan Data Pengumpulan data merupakan langkah
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 terperinciIMPLEMENTASI ALGORITMA FREQUENT PATTERN GROWTH (FP-GROWTH) MENENTKAN ASOSIASI ANTAR PRODUK (STUDY KASUS NADIAMART)
IMPLEMENTASI ALGORITMA FREQUENT PATTERN GROWTH (FP-GROWTH) MENENTKAN ASOSIASI ANTAR PRODUK (STUDY KASUS NADIAMART) Rizka Nurul Arifin Program Studi Teknik Informatika, Universitas Dian Nuswantoro Jl. Nakula
Lebih terperinciRoyes Otpin S¹, Arie Ardiyanti Suryani², Warih Maharani³. ¹Teknik Informatika, Fakultas Teknik Informatika, Universitas Telkom
ANALISIS DAN IMPLEMENTASI ASSOCIATION RULE MINING PADA COLLABORATION RECOMMENDER SYSTEM MENGGUNAKAN ALGORITMA ASSOCIATION RULES FOR RECOMMENDER SYSTEM (AR-CRS) Royes Otpin S¹, Arie Ardiyanti Suryani²,
Lebih terperinciTINJAUAN PUSTAKA Data Mining
25 TINJAUAN PUSTAKA 2.1. Data Mining Definisi sederhana dari data mining adalah ekstraksi informasi atau pola yang penting atau menarik dari data yang ada di database. Secara lengkap, Data mining merupakan
Lebih terperinciPENGENALAN POLA TRANSAKSI SIRKULASI BUKU PADA DATABASE PERPUSTAKAAN MENGGUNAKAN ALGORITMA GENERALIZED SEQUENTIAL PATTERN
PENGENALAN POLA TRANSAKSI SIRKULASI BUKU PADA DATABASE PERPUSTAKAAN MENGGUNAKAN ALGORITMA GENERALIZED SEQUENTIAL PATTERN Supardi 1, Dian Eka Ratnawati, Wayan Firdaus Mahmudy Universitas Brawijaya Malang
Lebih terperinciAplikasi Data Mining Market Basket Analysis untuk Menemukan Pola Pembelian di Toko Metro Utama Balikpapan
Aplikasi Data Mining Market Basket Analysis untuk Menemukan Pola Pembelian di Toko Metro Utama Balikpapan Application of Data Mining Market Basket Analysis to DeterminePurchase Pattern at Toko Metro Utama
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 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 terperinciPenggunaan Struktur FP-Tree dan Algoritma FP- Growth dalam Rekomendasi Promosi Produk pada Situs Belanja Online
Penggunaan Struktur FP-Tree dan Algoritma FP- Growth dalam Rekomendasi Promosi Produk pada Situs Belanja Online Irene Edria Devina / 13515038 1 Program Studi Teknik Informatika Sekolah Teknik Elektro dan
Lebih terperinciPENINGKATAN PERFORMA ALGORITMA APRIORI UNTUK ATURAN ASOSIASI DATA MINING
PENINGKATAN PERFORMA ALGORITMA APRIORI UNTUK ATURAN ASOSIASI DATA MINING Andreas Chandra Teknik Informatika STMIK AMIKOM Yogyakarta Jl Ring road Utara, Condongcatur, Sleman, Yogyakarta 55281 Email : andreaschaandra@yahoo.com
Lebih 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 terperinciData Mining Dengan Algoritma Apriori untuk Penentuan Aturan Asosiasi Pola Pembelian Pupuk
Data Mining Dengan Algoritma Apriori untuk Penentuan Aturan Asosiasi Pola Pembelian Pupuk Amrin Program Studi Teknik Komputer AMIK Bina Sarana Informatika Jakarta Jl. R.S Fatmawati no. 24 Pondok Labu,
Lebih terperinciALGORITMA ATURAN ASOSIASI APRIORI-TID DENGAN METODE KLASTERISASI HIERARKI AGLOMERATIF. Tri Khairul I.A 1 ABSTRAK
ALGORITMA ATURAN ASOSIASI APRIORI-TID DENGAN METODE KLASTERISASI HIERARKI AGLOMERATIF. Pendahuluan Tri Khairul I.A. Jurusan Matematika FMIPA Universitas Hasanuddin Makassar 905 e-mail: narutolik@linuxmail.org
Lebih terperinciANALISIS DATA POLA PEMBELIAN KONSUMEN DENGAN ALGORITMA APRIORI PADA TRANSAKSI PENJUALAN SUPERMARKET PAMELLA YOGYAKARTA 1.
ANALISIS DATA POLA PEMBELIAN KONSUMEN DENGAN ALGORITMA APRIORI PADA TRANSAKSI PENJUALAN SUPERMARKET PAMELLA YOGYAKARTA M. Didik R. Wahyudi 1) Fusna Failasufa 2) 1) 2) Teknik Informatika FST UIN Sunan Kalijaga
Lebih 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 terperinciPENERAPAN ALGORTIMA APRIORI PADA DATA MINING UNTUK MENGELOMPOKKAN BARANG BERDASARKAN KECENDERUNGAN KEMUNCULAN BERSAMA DALAM SATU TRANSAKSI.
PENERAPAN ALGORTIMA APRIORI PADA DATA MINING UNTUK MENGELOMPOKKAN BARANG BERDASARKAN KECENDERUNGAN KEMUNCULAN BERSAMA DALAM SATU TRANSAKSI Abstrak Data Mining is the process of extracting knowledge hidden
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 terperinciALGORITMA K-MEDOIDS UNTUK PENENTUAN STRATEGI PEMASARAN PRODUK
ALGORITMA K-MEDOIDS UNTUK PENENTUAN STRATEGI PEMASARAN PRODUK Wiwit Agus Triyanto Fakultas Teknik, Program Studi Sistem Informasi Universitas Muria Kudus Email: at.wiwit@yahoo.co.id ABSTRAK Strategi pemasaran
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 terperinciSISTEM PENDUKUNG KEPUTUSAN PEMASARAN PRODUK MENGGUNAKAN DATA MINING DENGAN K-MEANS CLUSTERING
Seminar Nasional Sistem Informasi Indonesia, 22 September 2014 SISTEM PENDUKUNG KEPUTUSAN PEMASARAN PRODUK MENGGUNAKAN DATA MINING DENGAN K-MEANS CLUSTERING Arief Samuel Gunawan 1), Evasaria Magdalena
Lebih terperinciAnalisis Asosiasi pada Transaksi Obat Menggunakan Data Mining dengan Algoritma A Priori
Jurnal Sistem dan Teknologi Informasi (JUSTIN) Vol. 1, No. 1, (2016) 1 Analisis Asosiasi pada Transaksi Obat Menggunakan Data Mining dengan Algoritma A Priori Despitaria 1, Herry Sujaini 2, Tursina 3 Program
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 terperinciSKRIPSI TI S1 FIK UDINUS 1
SKRIPSI TI S FIK UDINUS PENERAPAN ASSOCIATION RULE DENGAN ALGORITMA APRIORI UNTUK MENAMPILKAN INFORMASI TINGKAT KELULUSAN MAHASISWA TEKNIK INFORMATIKA S FAKULTAS ILMU KOMPUTER UNIVERSITAS DIAN NUSWANTORO
Lebih terperinciPENERAPAN ALGORITMA APRIORI DALAM MENENTUKAN STRATEGI PENJUALAN MAKANAN RINGAN (Studi Kasus: Toko Pak Herry Templek - Gadungan)
PENERAPAN ALGORITMA APRIORI DALAM MENENTUKAN STRATEGI PENJUALAN MAKANAN RINGAN (Studi Kasus: Toko Pak Herry Templek - Gadungan) SKRIPSI Diajukan Untuk Memenuhi Sebagai Syarat Guna Memperoleh Gelar Sarjana
Lebih 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 terperinciMetodologi Algoritma A Priori. Metodologi dasar algoritma a priori analisis asosiasi terbagi menjadi dua tahap :
Metodologi Algoritma A Priori 1 Kusrini, 2 Emha Taufiq Luthfi 1 Jurusan Sistem Informasi, 2 Jurusan Teknik Informatika 1, 2 STMIK AMIKOM Yogykakarta 1,2 Jl. Ringroad Utara Condong Catur Sleman Yogyakarta
Lebih terperinciTEKNOSI, Vol. 02, No. 03, Desember Koko Handoko Universitas Putera Batam (cooresponding author)
TEKNOSI, Vol. 02, No. 03, Desember 2016 31 PENERAPAN DATA MINING DALAM MENINGKATKAN MUTU PEMBELAJARAN PADA INSTANSI PERGURUAN TINGGI MENGGUNAKAN METODE K-MEANS CLUSTERING (STUDI KASUS DI PROGRAM STUDI
Lebih terperinciANALISA PENERAPAN DATAMINING PADA PENJUALAN PRODUK OLI MESIN SEPEDA MOTOR DENGAN ALGORITMA APRIORI
ANALISA PENERAPAN DATAMINING PADA PENJUALAN PRODUK OLI MESIN SEPEDA MOTOR DENGAN ALGORITMA APRIORI Siti Sundari Program Studi Teknik Informatika, Sekolah Tinggi Teknik Harapan Medan Jalan Hm. Joni No 70
Lebih terperinciAnalisis Aturan Asosiasi Data Transaksi Supermarket Menggunakan Algoritma Apriori
Analisis Aturan Asosiasi Data Transaksi Supermarket Menggunakan Algoritma Apriori Ginanjar Abdurrahman 1) 1) Jurusan Teknik Informatika, Fakultas Teknik, Universitas Muhammadiyah Jember Jl. Karimata No.
Lebih terperinciTOKO ONLINE RIRIS DENGAN MENGGUNAKAN METODE APRIORI UNTUK PEMILIHAN JENIS BUNGA SESUAI KEINGINAN CUSTOMER
TOKO ONLINE RIRIS DENGAN MENGGUNAKAN METODE APRIORI UNTUK PEMILIHAN JENIS BUNGA SESUAI KEINGINAN CUSTOMER ARTIKEL SKRIPSI Diajukan Guna Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Komputer (S.Kom)
Lebih terperinciTimor Setiyaningsih, Nur Syamsiah Teknik Informatika Universitas Darma Persada. Abstrak
DATA MINING MELIHAT POLA HUBUNGAN NILAI TES MASUK MAHASISWA TERHADAP DATA KELULUSAN MAHASISWA UNTUK MEMBANTU PERGURUAN TINGGI DALAM MENGAMBIL KEBIJAKAN DALAM RANGKA PENINGKATAN MUTU PERGURUAN TINGGI Timor
Lebih 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 terperinci