PENERAPAN DATA MINING UNTUK MENGETAHUI POLA ASOSIASI ANTARA DATA MAHASISWA DAN TINGKAT KELULUSAN MENGGUNAKAN ALGORITMA FOLD-GROWTH
|
|
- Suharto Oesman
- 7 tahun lalu
- Tontonan:
Transkripsi
1 PENERAPAN DATA MINING UNTUK MENGETAHUI POLA ASOSIASI ANTARA DATA MAHASISWA DAN TINGKAT KELULUSAN MENGGUNAKAN ALGORITMA FOLD-GROWTH Betha Nurina Sari1, Drs.Muh. Arif Rahman M.Kom2, Yusi Tyroni Mursityo,S.Kom,M.S.3 Program Studi Ilmu Komputer, Jurusan Matematika, Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Brawijaya bethanurinasari@gmail.com1, m_arif@ub.ac.id2, yusi@gmail.com3 Abstrak Setiap tahun Universitas Brawijaya mengadakan penerimaan mahasiswa baru, masingmasing mahasiswa mengumpulkan data lengkap untuk pendataan pendaftaran mahasiswa. Selain itu, pendataan mahasiswa juga dilakukan untuk yang sudah lulus dari Universitas Brawijaya. Dewasa ini belum diketahui tentang pola asosiasi antara data mahasiswa dan data kelulusan mahasiswa. Pola asosiasi ini bisa digunakan untuk memprediksi tingkat kelulusan mahasiswa berdasarkan parameter data mahasiswa yang diteliti. Dalam penelitian ini, pencarian pola asosiasi antara data mahasiswa dan data tingkat kelulusan dilakukan berdasarkan jalur masuk dan program studi dengan menerapkan algoritma FOLD Growth. Sistem akan mencari aturan asosiasi dengan tahap awal adalah mencari frequent itemset. Pada tahap akhir, association rule akan diuji dalam 3 jenis,yaitu uji pengaruh nilai minimum support dan confidence terhadap jumlah rule, uji lift ratio dan uji akurasi association rule. Perbandingan antara minimum support dan minimum confidence dengan jumlah rule berbanding terbalik. Nilai lift ratio tertinggi adalah 1,657 dari PSB,A2 pada program studi Statistika dan nilai lift ratio terendah sebesar 0,531 dari PSB,B2 pada program studi Ilmu Komputer.Hasil pengujian akurasi assosiation rule menunjukkan tingginya prosentase association rule yang diterapkan pada data uji, sehingga dapat digunakan untuk memprediksi tingkat kelulusan mahasiswa di waktu yang akan datang. Kata kunci: mahasiswa,tingkat kelulusan, pola asosiasi, FOLD-growth, association rule, lift ratio I. PENDAHULUAN Setiap tahun, setiap Universitas mengadakan penerimaan mahasiswa baru, termasuk salah satunya adalah Universitas Brawijaya. Setiap mahasiswa mengumpulkan data lengkap untuk proses registrasi seperti NIM, nama, fakultas, jurusan, program studi, jalur masuk, tempat tanggal lahir, asal sekolah, alamat. Selain pendataan mahasiswa saat registrasi, ada pula pendataan mahasiswa yang sudah lulus dari Universitas Brawijaya, yang dilakukan setelah mahasiswa tersebut menyelesaikan studinya. Dewasa ini belum diketahui tentang pola asosiasi antara data mahasiswa dan data kelulusan mahasiswa. Pola asosiasi antara dua jenis data tersebut dapat menunjukkan apakah ada keterkaitan antara variabel data mahasiswa yang terdiri dari jalur masuk dan program studi, dengan tingkat kelulusan mahasiswa yang bisa dilihat dari lama studi dan IPK. Pola asosiasi ini bisa digunakan sebagai dasar untuk memprediksi tingkat kelulusan mahasiswa. Pencarian pola dari data tersebut sangat erat kaitannya dengan data mining. Data mining adalah serangkaian proses untuk menggali nilai tambah dari suatu kumpulan data berupa pengetahuan yang selama ini tidak diketahui secara manual [1]. Ada sejumlah algoritma untuk menyelesaikan association rule, diantaranya adalah algoritma FOLD-Growth. Algoritma FOLD-Growth merupakan hasil gabungan dari algoritma FOLDARM (Fast Online Dynamic Association Rule Mining) dan FP- Growth (Frequent Pattern Growth) dalam proses penggalian itemset yang frequent [2].Menurut penelitian yang telah dilakukan sebelumnya, durasi eksekusi, skalabilitas, reliabilitas, dan utilisasi memori dari penerapaan algoritma FOLD-Growth lebih baik daripada FP-Growth [3]. FOLD-Growth menunjukkan performa seratus kali lebih baik daripada FP-Growt [4]. 1
2 II. TINJAUAN PUSTAKA 2.1 Data Data merupakan representasi dari fakta atau gambaran mengenai suatu objek atau kejadian. Contohnya fakta mengenai biodata mahasiswa yang meliputi nama, alamat, jenis kelamin, agama, dan lain-lain. Data dapat dinyatakan dengan nilai yang berbentuk angka, deretan karakter, atau symbol [5] Data Mahasiswa Data mahasiswa yang harus diisi dalam formulir registrasi administrasi meliputi data pribadi mahasiswa, data asal sekolah, data keluarga,dan lain-lain. Data pribadi mahasiswa terdiri dari nama lengkap, tempat lahir, tanggal lahir, jenis kelamin, agama, golongan darah, warga negara, status pernikahan, hobi, alamat asal, alamat di malang, kode pos, nomor telepon, nomor hp, , jumlah saudara, anak-ke. Data asal sekolah terdiri dari propinsi, kota, sekolah jurusan, tahun lulus, nilai UAN, prestasi akademik dan prestasi non akademik. Data keluarga terdiri dari nama ayah, nama ibu, alamat orangtua, pekerjaan ayah, pekerjaan ibu Data Kelulusan Seorang mahasiswa harus mengumpulkan jumlah kredit untuk menyelesaikan studi program sarjana mencapai sks, termasuk skripsi. Predikat kelulusan mahasiswa dikategorikan menjadi tiga berdasarkan nilai indeks predikat kelulusan mahasiswa yang diatur dalam pedoman pendidikan,yaitu dapat dilihat pada Tabel 2.1. Tabel 2.1 Predikat Kelulusan Mahasiswa IPK Predikat 2,00-2,75 Memuaskan 2,76-3,50 Sangat memuaskan 3,51-4,00 Dengan pujian (cumlaude) Predikat kelulusan dengan pujian ditentukan juga dengan memperhatikan masa studi maksimum, untuk program sarjana maksimum 5 tahun [6] Data Mining Data mining adalah serangkaian proses untuk menggali nilai tambah dari suatu kumpulan data berupa pengetahuan yang selama ini tidak diketahui secara manual [1]. 2.3 Association Rule Association rule adalah suatu prosedur untuk mencari hubungan antar item dalam suatu data set yang ditentukan. Dalam menentukan suatu association rule, terdapat suatu ukuran kepercayaan yang didapatkan dari hasil pengolahan data dengan perhitungan tertentu. Association rule memberikan informasi dalam bentuk if then atau jika maka. Biasanya digunakan istilah antecedent untuk mewakili bagian jika dan consequent untuk mewakili bagian maka [7]. Support adalah suatu ukuran yang menunjukkan seberapa besar tingkat dominasi suatu itemset dari keseluruhan transaksi [8]. Nilai support 1-itemset dapat diperoleh dari persamaan 2.2 dan nilai 2-itemset dapat diperoleh dari persamaan 2.3. Jumlah Transaksi yang Mengandung A Support A = Total Transaksi (2.2) Jumlah Transaksi yang Mengandung A dan B Support A, B = Total Transaksi (2.3) Confidence adalah suatu ukuran yang menunjukkan hubungan antara dua atau lebih item secara conditional [8]. Jumlah Transaksi yang Mengandung A dan B Confidence A B = Jumlah Transaksi yang Mengandung A 2.4 Algoritma FOLD-Growth Algoritma FOLD-Growth merupakan hasil gabungan dari algoritma FOLDARM dan FP-Growth. Pada algoritma FOLD-growth ini, diharapkan dapat menggabungkan keuntungan dari algoritma FOLDARM yang memiliki kinerja cepat pada saat ukuran itemset frequent maksimum (k max ) kecil atau k max 10 dengan keuntungan dari algoritma FP-Growth yang memiliki kinerja yang cepat pada saat k max > 10. Pseudocode dari algoritma FOLD-growth ditunjukkan pada Pseudocode 2.4 [3]. Tahapan algoritma FOLD-Growth dibagi menjadi empat tahapan utama [9] yaitu : (2.4) 2
3 a. Penggalian 1 dan 2-itemset dengan menggunakan SOTrieIT Pada tahap ini, dilakukan pembacaan basis data sebanyak satu kali untuk membaca transaksi-transaksi yang ada dalam basis data. Untuk setiap transaksi akan dibangkitkan semua kemungkinankemungkinan 1-itemset dan 2-itemset yang kemudian dicatat dalam SOTrieIT. b. Pemangkasan item-item yang tidak frequent Dalam tahap ini, akan dilakukan pemangkasan pada setiap transaksi yang ada dalam basis data dengan menggunakan 1-itemset dan 2-itemset. Untuk setiap transaksi T, pada itemset L k yang terdapat dalam transaksi tersebut dimana panjang k lebih dari 2, akan dilakukan pengecekan dengan menggunakan 1-itemset dan 2- itemset. Sehingga, untuk item-item yang dianggap tidak frequent akan dilakukan pemangkasan. Sebuah item dikatakan tidak frequent apabila nilai support countnya kurang dari batas minimum support yang telah ditentukan oleh pengguna. Setelah dilakukan pemangkasan terhadap transaksi T, dengan menggunakan 1- itemset dan 2-itemset yang didapatkan melalui SOTrieIT, maka akan dihasilkan Ordered Frequent Items yang telah dipangkas. c. Pembangunan FP-tree menggunakan transaksi-transaksi yang telah dipangkas Pada tahapan ini, akan dilakukan pembangunan FP-Tree dengan menggunakan data transaksi T yang telah dipangkas dan diurutkan berdasarkan nilai support count. Dengan perolehan Frequent Items setelah dipangkas dan diurutkan, maka akan dibangun FP-Tree. d. Penggalian itemset frequent dengan algoritma FP-growth. Setelah tahap pembangunan FP-tree selesai, dilanjutkan dengan tahap penggalian itemset frequent dengan menggunakan algoritma FP-growth pada FP-tree tersebut. Himpunan pola asosiasi yang ditemukan berdasarkan basis data transaksi pada tabel 2.1 dan dengan minimum support dan minimum confidence adalah 50% dalam proses penggalian rekursif di atas, dapat dilihat pada Tabel 2.3 [3]. 2.8 Lift Ratio Lift ratio digunakan untuk mengevaluasi kuat tidaknya sebuah aturan asosiasi. Lift ratio adalah perbandingan antara confidence sebuah aturan dengan nilai benchmark confidence. Benchmark confidence adalah perbandingan antara jumlah semua item consequent terhadap total jumlah transaksi [7]. Rumus benchmark confidence dan lift ratio dapat dilihat pada persamaan berikut. Benchmark Confidence = Nc N (2.6) Nc = jumlah transaksi dengan item dalam consequent N = jumlah transaksi database Lift Ratio = Confidence (A, C) Benchmark Confidence (A, C) (2.7) Apabila nilai lift ratio lebih besar dari 1, maka menunjukkan adanya manfaat dari aturan tersebut. Lebih tinggi nilai lift ratio maka lebih besar kekuatan asosiasinya [7]. Pengujian akurasi association rule yang terbentuk yaitu dengan membandingkan association rule hasil proses data mining pada data latih dengan data hasil pada data uji. Penghitungan akurasi association rule dilakukan dengan menggunakan persamaan 2.8. Error = support data uji support datalati h support data lati h akurasi = 100% error x 100% III. ANALISIS DAN PERANCANGAN SISTEM Sistem ini merupakan sistem yang dikembangkan untuk melakukan analisa terhadap data registrasi dan kelulusan mahasiswa untuk mengetahui pola dan hubungan keterkaitan antar data. Parameter yang digunakan dalam analisa adalah jalur masuk, program studi, lama studi dan IPK mahasiswa. Dari pola yang dihasilkan kita dapat mengetahui keterkaitan antara data mahasiswa dengan tingkat kelulusannya. Selain itu, dari pola yang dihasilkan tersebut diharapkan dapat memberikan informasi mengenai hubungan data mahasiswa berupa jalur 3
4 masuk, program studi dengan tingkat kelulusannya. Transformasi data dilakukan pada data tingkat kelulusan mahasiswa. Tingkat kelulusan mahasiswa dapat dilihat dari lama studi dan IPK.Dari dua kategori tersebut dapat dibentuk kategori tingkat kelulusan menjadi enam berdasarkan kombinasi keduanya (Huda, 2010), seperti pada tabel 3.1. Tabel 3.1 Kategori tingkat kelulusan mahasiswa No Kategori Keterangan 1 A1 lama studi kurang dari 4 tahun atau tepat 4 tahun dan IPK 3,51 4,00 2 A2 lama studi kurang dari 4 tahun atau tepat 4 tahun dan IPK 2,76 3,50 3 A3 lama studi kurang dari 4 tahun atau tepat 4 tahun dan IPK 2,00 2,75 4 B1 lama studi lebih dari 4 tahun dan IPK 3,51 4,00 5 B2 lama studi lebih dari 4 tahun dan IPK 2,76 3,50 6 B3 lama studi lebih dari 4 tahun dan IPK 2,00 2,75 start min_sup,min_conf, data mahasiswa dan kelulusan Association Rule (AR) Rule yang dihasilkan Pengujian Rule Rule dan hasil pengujian rule end Proses yang ada di dalam algotima FOLD-Growth ini akan dibagi menjadi 4, yaitu penggalian 1-2 itemset dengan menggunakan struktur data SOTrieIT, pemangkasan item yang tidak frequent, pembangunan FP Tree, dan penggalian itemset frequent. Diagram alir proses dari FOLD-Growth ini dapat dilihat pada Gambar 3.2. Sistem menerima inputan berupa minimun support, minimum confidence, data mahasiswa, dan data kelulusan yang telah disimpan dalam database. Kemudian sistem akan melakukan proses association rule yang menghasilkan aturan asosiasi pada data inputan dan selanjutnya dilakukan pengujian rule. Proses ini merupakan gambaran secara umum sistem, dapat dilihat pada Gambar 3.1. Perhitungan manual dilakukan pada sampel data yang diambil sebanyak 20 data mahasiswa dengan minimum support 4
5 20% dan minimum confidence 50%. Sampel data yang telah melalui tahap preprocessing data dapat dilihat pada Tabel 3.2 yang menunjukkan sampel data mahasiswa dan data kelulusan. Tabel 3.2 Sampel Data Mahasiswa NIM Jalur Kategori SPMB B PSB A SPMB B PSB B PSB B SPMB A SPMB A SPMB A SPMB A PSB B SPMB A PSB B SAP B SAP A SPMK B SPMK B SPMK B SPMK B SPMK A SPMK B3 Selanjutnya adalah tahap penggalian 1-2 itemset dengan menggunakan struktur data SOTrieIT. Proses penggalian 1-2 itemset dengan menggunakan struktur data SOTrieIT dapat dilihat pada Gambar 3.3. Itemset Count Support SPMB SPMK PSB SAP B A A B Tabel 3.4 Penghitungan support 2-itemset Itemset Count Support SPMB,A SPMB,B SPMB,A SPMK,B SPMK,A SPMK,B PSB, B PSB,A SAP,A SAP,B Tahap selanjutnya adalah pemangkasan item-item yang tidak frequent. Minimum support yang telah ditentukan adalah 20 % atau 0.2, jadi apabila nilai support count-nya kurang dari batas minimum support yang telah ditentukan maka dilakukan pemangkasan. ROOT B2(8) SPMB (4) SPMK (4) A2 (4) PSB (4) Setelah membangun SOTrieIT yang utuh, dilakukan penghitungan support count pada 1-itemset dan 2-itemset,pada Tabel 3.12 untuk hasil penghitungan support 1-itemset dan pada Tabel 3.13 untuk hasil penghitungan support 2- itemset. Tabel 3.3 Penghitungan Support 1-itemset A2 (4) B2 (4) B2 (4) Selanjutnya adalah perhitungan nilai confidence pada frequent itemset. Pada Tabel 3.5 dapat dilihat hasil perhitungan nilai confidence frequent itemset. Tabel 3.5 Confidence Frequent Itemset Frequent Itemset Support (A,B) Support (A) Confidence 5
6 Lift Ratio Jumlah Rule SPMB A PSB B2 SPMK B Berdasarkan minimum confidence yang telah ditentukan yaitu sebesar 50 %, maka apabila nilai confidence dari frequent itemset minimum confidence maka akan dibangkitkan menjadi rule. Rule yang terbentuk dapat dilihat pada Tabel 3.6. Tabel 3.6 Rule yang terbentuk Rules Keterangan SPMB A2 Jika jalur masuk SPMB maka kategori kelulusannya A2 PSB B2 Jika jalur masuk PSB maka kategori kelulusannya B2 SPMK B2 Jika jalur masuk SPMK maka kategori kelulusannya B2 Keterangan : A2 = lama studi kurang dari 4 tahun atau tepat 4 tahun dengan IPK 2,76 3,50 B2 = lama studi lebih dari 4 tahun dengan IPK 2,76-3,50 Selanjutnya rule yang terdapat pada Tabel 3.20 dilakukan uji kekuatan rule dengan menggunakan lift ratio. Hasil perhitungan nilai lift ratio dapat dilihat pada Tabel 3.7 Tabel 3.7 Lift Ratio Rules Rules Conf Frek Benchmark Lift Ratio SPMB A2 PSB B2 SPMK B Berdasarkan hasil perhitungan lift ratio pada Tabel 3.7, semua rule yang terbentuk memiliki kekuatan yang bagus karena nilai lift ratio rule tersebut lebih besar dari 1. IV. HASIL PEMBAHASAN Berdasarkan hasil pengujian pengaruh nilai minimum support dan nilai minimum confidence didapatkan bahwa jumlah rule yang dihasilkan berbanding terbalik. Hal ini digambarkan pada Gambar 4.1 untuk parameter program studi Kimia. Pengaruh Nilai Minimum Support dan Nilai Minimum Confidence terhadap Jumlah Rule (Kimia) % 50% 60% Minimum Confidence min support 1% min support 5% Berbanding terbaliknya nilai minimum support dan nilai minimum confidence terhadap jumlah rule tersebut dikarenakan semakin tinggi nilai minimum support maka semakin tinggi nilai batas support /prosentase ketersediaan kombinasi data yang harus dicapai sehingga semakin sedikit yang dapat mencapai batasan untuk menjadi frequent itemset. Nilai lift ratio yang didapatkan setelah dilakukan perbandingan antara confidence untuk suatu rule dibagi dengan benchmark confidence,yaitu bisa disebut juga support dari consequence (maka). Penghitungan nilai lift ratio didasarkan pada asumsi bahwa consequent dan antecedent saling independen. Nilai lift ratio lebih besar dari 1 menunjukkan bahwa keterikatan antara dua item, consequent dan antecedent yang kuat, karena nilai kepercayaan atau confidence rule yang melebihi minimum confidence diuji lagi pada prosentase dengan kombinasi antecedent (maka). Hal ini digambarkan pada Gambar 4.2 untuk parameter program studi Kimia. 1,60 1,40 1,20 1,00 0,80 0,60 0,40 0,20 0,00 Grafik Lift Rasio Association Rule yang Terbentuk PSB,B2 SAP,A2 SPMB,A2 SPMB,B2 Association Rule Lift Ratio 6
7 V. KESIMPULAN Berdasarkan hasil analisa uji coba dapat diambil kesimpulan: 1. Berdasarkan hasil penerapan algoritma FOLD-Growth untuk didapatkan pola asosiasi data mahasiswa dan tingkat kelulusan mahasiswa berdasarkan paramater jalur masuk dan program studi yaitu sebagai berikut : a. Jika jalur masuk PSB maka lama lulusnya kelulusan B2 untuk biologi, kimia,fisika,matematika,dan ilkom b. Jika jalur masuk SPMB maka lama lulusnya kelulusan B2 untuk semua bidang studi c. Jika jalur masuk SPMB maka lama lulusnya kurang atau tepat dari 4 tahun dan IPK diantara 2,76 sampai dengan 3,5 atau kategori tingkat kelulusan A2 untuk program studi Kimia d. Jika jalur masuk SPMK maka lama lulusnya kelulusan B2 untuk semua bidang studi Ilmu Komputer e. Jika jalur masuk SAP maka lama lulusnya kelulusan B2 untuk semua bidang studi Kimia f. Jika jalur masuk PSB maka lama lulusnya kurang atau tepat dari 4 tahun dan IPK diantara 2,76 sampai dengan 3,5 atau kategori tingkat kelulusan A2 untuk program studi Statistika 2. Nilai lift ratio yang bisa menunjukkan kekuatan rule didapatkan setelah membandingkan confidence rule dengan nilai benchmark confidence, dimana didapatkan nilai tertinggi lift ratio adalah 1,657 dari PSB,A2 pada program studi Statistika dan nilai lift ratio terendah sebesar 0,531 dari PSB,B2 pada program studi Ilmu Komputer. 3. Hasil pengujian akurasi assosiation rule menunjukkan tingginya penerapan association rule yang terbentuk pada data latih pada data uji dan memberikan informasi terkait tingat akurasi rule yang dihasilkan, yang bisa digunakan untuk bahan dasar prediksi tingkat kelulusan mahasiswa di waktu yang akan datang. DAFTAR REFERENSI 1. Pramudiono, Iko Pengantar Data Mining : Menambang Permata Pengetahuan di Gudang Data. tanggal akses 22 Maret Zhao,Qiankun and Sourav S. Bhowmick Association Rule Mining : A Survey. Nanyang Technological University. Singapura 3. Soelaiman, Rully dan Ni Made Arini WP Analisis Kinerja Algoritma Fold Growth dan FP Growth pada Penggalian Pola Asosiasi. Seminar Nasional Aplikasi Teknologi Informasi (SNATI) Institut Teknologi Sepuluh Nopember (ITS). Surabaya. 4. Woon, Yew Kwong., Keong,Wee Ng.,Lim, E.P A Support Ordered Trie for Fast Frequent Itemset Discovery. IEEE Transaction onknowledge and Data Engineering, Volume 16, No. 7, halaman Kusrini, M.Kom Konsep dan Aplikasi Sistem Pendukung Keputusan. CV Andi Offset. Yogyakarta. 6. Suharto,Bambang, dkk Pedoman Pendidikan Tahun Akademik 2010/2011 Universitas Brawijaya. Universitas Brawijaya. Malang 7. Santosa, Budi Data Mining Teknik Pemanfaatan Data untuk Keperluan Bisnis. Graha Ilmu. Yogyakarta. 8. Han, Jiawei dan Micheline Kamber Data Mining : Concepts and Techniques 2 nd Edition. Morgan Kaufmann, California 9. Prastowo, Deni Penggunaan Struktur Data SoTrieIT Untuk Pemangkasan Transaksi dengan Algoritma Data Mining Fold Growth. Institut Pertanian Bogor (IPB). Bogor. 7
IMPLEMENTASI ALGORITMA FOLD-GROWTH PADA PEMODELAN POLA PEMBELIAN BARANG SEBAGAI PENDUKUNG PENENTUAN LETAK BARANG
IMPLEMENTASI ALGORITMA FOLD-GROWTH PADA PEMODELAN POLA PEMBELIAN BARANG SEBAGAI PENDUKUNG PENENTUAN LETAK BARANG Bq Desy Hardianti 1, Mira Kania Sabariah, ST., MT. 2, Alfian Gozali Akbar, ST. MT. 3 1,2,3
Lebih terperinciPENDAHULUAN TINJAUAN PUSTAKA
Latar Belakang PENDAHULUAN Begitu banyaknya fungsionalitas dalam penggalian data terkadang membuat kita harus memilih secara seksama. Pemilihan fungsionalitas yang tepat dalam melakukan suatu penggalian
Lebih terperinciRANCANG BANGUN APLIKASI DATA MINING ANALISIS TINGKAT KELULUSAN MENGGUNAKAN ALGORITMA FP-GROWTH (Studi Kasus Di Politeknik Negeri Malang)
RANCANG BANGUN APLIKASI DATA MINING ANALISIS TINGKAT KELULUSAN MENGGUNAKAN ALGORITMA FP-GROWTH (Studi Kasus Di Politeknik Negeri Malang) Naufal Farras Hilmy 1, Banni Satria Andoko 2 Program Studi Teknik
Lebih terperinciBAB 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 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 terperinci2.2 Data Mining. Universitas Sumatera Utara
Basis data adalah kumpulan terintegrasi dari occurences file/table yang merupakan representasi data dari suatu model enterprise. Sistem basisdata sebenarnya tidak lain adalah sistem penyimpanan-record
Lebih terperinciDATA MINING 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 terperinciPENERAPAN METODE ASSOCIATION RULE MENGGUNAKAN ALGORITMA APRIORI PADA SIMULASI PREDIKSI HUJAN WILAYAH KOTA BANDUNG
PENERAPAN METODE ASSOCIATION RULE MENGGUNAKAN ALGORITMA APRIORI PADA SIMULASI PREDIKSI HUJAN WILAYAH KOTA BANDUNG Mohamad Fauzy 1, Kemas Rahmat Saleh W 2, Ibnu Asror 3 123 Fakultas Informatika Telkom University
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 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 Stuktur FP-Tree dan Algoritma FP-Growth dalam Optimasi Penentuan Frequent Itemset
Penerapan Stuktur FP-Tree dan Algoritma FP-Growth dalam Optimasi Penentuan Frequent Itemset David Samuel/NIM :13506081 1) 1) Program Studi Teknik Informatika, Sekolah Teknik Elektro dan Informatika Institut
Lebih terperinciBAB 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakang Association rules mining merupakan teknik data mining untuk menentukan hubungan diantara data atau bagaimana suatu kelompok data mempengaruhi suatu kelompok data lain
Lebih 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 terperinciANALISIS ALGORITMA APRIORI UNTUK REKOMENDASI PENEMPATAN BUKU PADA PERPUSTAKAAN
1 ANALISIS ALGORITMA APRIORI UNTUK REKOMENDASI PENEMPATAN BUKU PADA PERPUSTAKAAN 1 Uma Mazida, 2 Ricardus Anggi Pramunendar, M.Cs Program Studi Teknik Informatika S1 Fakultas Ilmu Komputer Universitas
Lebih terperinciBAB 2 LANDASAN TEORI. Pada bab ini akan dibahas tentang konsep dasar dan teori-teori pendukung yang berhubungan dengan sistem yang akan dibangun.
BAB 2 LANDASAN TEORI Pada bab ini akan dibahas tentang konsep dasar dan teori-teori pendukung yang berhubungan dengan sistem yang akan dibangun. 2.1. Data Mining Data mining adalah suatu istilah yang digunakan
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang
BAB I PENDAHULUAN Pada bab ini berisi tentang latar belakang pembuatan dari aplikasi penentuan rekomendasi pencarian buku perpustakaan menggunakan algoritma fp-growth, rumusan masalah, tujuan, batasan
Lebih 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 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 terperinciEdisi Juli 2015 Volume IX No. 2 ISSN
ANALISA POLA ASOSIASI JALUR MASUK TERHADAP KELULUSAN MAHASISWA DENGAN MENGGUNAKAN METODE FOLD-GROWTH (STUDI KASUS FAKULTAS SAINS DAN TEKNOLOGI) Mohamad Irfan Jurusan Teknik Informatika, Fakultas Sains
Lebih terperinciAplikasi Data Mining untuk Mengukur Tingkat Kelulusan Mahasiswa dengan Metode Apriori
Aplikasi Data Mining untuk Mengukur Tingkat Kelulusan Mahasiswa dengan Metode Apriori dan k-mean Clustering (Studi Kasus: Jurusan Teknik Informatika Universitas Trunojoyo Madura) Mohammad Syarief Prodi
Lebih 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 terperinciANALISA POLA PEMILIHAN PROGRAM STUDI BAGI CALON MAHASISWA DI UNIVERSITAS ABDURRAB MENGGUNAKAN ASSOCIATION RULE
ANALISA POLA PEMILIHAN PROGRAM STUDI BAGI CALON MAHASISWA DI UNIVERSITAS ABDURRAB MENGGUNAKAN ASSOCIATION RULE Diki Arisandi 1, Nofriandi 2 Jurusan Teknik Informatika, FakultTeknik,Universitas Abdurrab
Lebih terperinciBAB II TINJAUAN PUSTAKA. pengetahuan di dalam database. Data mining adalah proses yang menggunakan
6 BAB II TINJAUAN PUSTAKA 2.1 Pengertian Data Mining Data mining adalah suatu istilah yang digunakan untuk menguraikan penemuan pengetahuan di dalam database. Data mining adalah proses yang menggunakan
Lebih terperinciImplementasi data mining menggunakan metode apriori (studi kasus transaksi penjualan barang)
Implementasi data mining menggunakan metode apriori (studi kasus transaksi penjualan barang) Maya Suhayati,M.Kom. Jurusan Teknik Informatika, STMIK Sumedang mayasuh@stmik-sumedang.ac.id ABSTRAK Dalam suatu
Lebih terperinciANALISIS DAN IMPLEMENTASI 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 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 terperinciAPLIKASI MONITORING KETERSEDIAAN STOK BARANG MINIMARKET DENGAN METODE MARKET BASKET ANALYSIS (MBA)
Seminar Nasional Teknologi Informasi dan Multimedia 2016 APLIKASI MONITORING KETERSEDIAAN STOK BARANG MINIMARKET DENGAN METODE MARKET BASKET ANALYSIS (MBA) Sugiyatno 1), Adhika Pramita Widyasari 2) 1),
Lebih terperinciASSOCIATION RULES PADA TEXT MINING
Text dan Web Mining - FTI UKDW - BUDI SUSANTO 1 ASSOCIATION RULES PADA TEXT MINING Budi Susanto versi 1.2 Text dan Web Mining - FTI UKDW - BUDI SUSANTO 2 Tujuan Memahami algoritma Apriori dan FP-Growth
Lebih 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 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 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 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 terperinciJurnal Teknologi dan Sistem Informasi. Aplikasi Data Mining untuk Mencari Pola Asosiasi Tracer Study Menggunakan Algoritma FOLDARM
JURNALTEKNOLOGI DAN SISTEM INFORMASI- VOL. 04 NO. 01 (2018) 037-043 Terbit online pada laman web jurnal : http://teknosi.fti.unand.ac.id/ Jurnal Teknologi dan Sistem Informasi ISSN (Print) 2460-3465 ISSN
Lebih terperinciPENENTUAN TARGET PROMOSI PERGURUAN TINGGI DENGAN ALGORITMA APRIORI STUDI KASUS MAHASISWA TEKNIK INFORMATIKA UMM TUGAS AKHIR
PENENTUAN TARGET PROMOSI PERGURUAN TINGGI DENGAN ALGORITMA APRIORI STUDI KASUS MAHASISWA TEKNIK INFORMATIKA UMM TUGAS AKHIR Sebagai Persyaratan Guna Meraih Gelar Sarjana Strata 1 Teknik Informatika Universitas
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 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 terperinciPENERAPAN DATA MINING MENGGUNAKAN ALGORITMA FP-TREE DAN FP-GROWTH PADA DATA TRANSAKSI PENJUALAN OBAT
PENERAPAN DATA MINING MENGGUNAKAN ALGORITMA FP-TREE DAN FP-GROWTH PADA DATA TRANSAKSI PENJUALAN OBAT Yuyun Dwi Lestari Program Studi Teknik Informatika, Sekolah Tinggi Teknik Harapan Jl. H. M. Jhoni No.
Lebih terperinciBAB 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 terperinciANALISA PENCARIAN FREQUENT ITEMSETS MENGGUNAKAN ALGORITMA FP-MAX
ANALISA PENCARIAN FREQUENT ITEMSETS MENGGUNAKAN ALGORITMA FP-MAX Suhatati Tjandra Dosen Teknik Informatika Sekolah Tinggi Teknik Surabaya e-mail : tati@stts.edu ABSTRAK Association rule mining merupakan
Lebih terperinciAssocation Rule. Data Mining
Assocation Rule Data Mining Association Rule Analisis asosiasi atau association rule mining adalah teknik data mining untuk menemukan aturan assosiatif antara suatu kombinasi item. Aturan yang menyatakan
Lebih terperinciANALISA KONSISTENSI POLA PEMINJAMAN BUKU MENGGUNAKAN ALGORITMA FP-GROWTH (Studi Kasus: UPT Perpustakaan Universitas Sebelas Maret)
ANALISA KONSISTENSI POLA PEMINJAMAN BUKU MENGGUNAKAN ALGORITMA FP-GROWTH (Studi Kasus: UPT Perpustakaan Universitas Sebelas Maret) Miranda Nur Qolbi Aprilina 1, Wiranto 2,Widodo 3 1,2 Program Studi Informatika,
Lebih terperinciBAB I PENDAHULUAN. Data mining memungkinkan penemuan pola-pola yang menarik, informasi yang
1 BAB I PENDAHULUAN Bab pendahuluan ini membahas tentang latar belakang masalah yaitu fenomena perkembangan data yang terus bertambah tetapi informasi yang dihasilkan monoton, sehingga diperlukan data
Lebih terperinciAPLIKASI ASSOCIATION RULE MINING UNTUK MENEMUKAN POLA PADA DATA NILAI MAHASISWA MATEMATIKA ITS
APLIKASI ASSOCIATION RULE MINING UNTUK MENEMUKAN POLA PADA DATA NILAI MAHASISWA MATEMATIKA ITS DONNY MITRA VIRGIAWAN 1209100035 JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT
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 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 terperinciPENGEMBANGAN APLIKASI FUZZY TEMPORAL ASSOCIATION RULE MINING (STUDI KASUS : DATA TRANSAKSI PASAR SWALAYAN ) HANDAYANI RETNO SUMINAR
PENGEMBANGAN APLIKASI FUZZY TEMPORAL ASSOCIATION RULE MINING (STUDI KASUS : DATA TRANSAKSI PASAR SWALAYAN ) HANDAYANI RETNO SUMINAR DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
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 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 terperinciSISTEM REKOMENDASI PEMESANAN SPAREPART DENGAN ALGORITMA FP-GROWTH (STUDI KASUS PT. ROSALIA SURAKARTA)
SISTEM REKOMENDASI PEMESANAN SPAREPART DENGAN ALGORITMA FP-GROWTH (STUDI KASUS PT. ROSALIA SURAKARTA) Nur Rohman Ardani 1), Nur Fitrina 2) 1) Magister Teknik Informatika STMIK AMIKOM Yogyakarta 2) Teknik
Lebih terperinciASSOCIATION RULES PADA TEXT MINING
Budi Susanto ASSOCIATION RULES PADA TEXT MINING SUSANTO 1 Tujuan Memahami algoritma Apriori dan FP- Growth Memahami penerapannya pada penambangan dokumen Memamahmi algoritma GSP Memahami penerapannya pada
Lebih 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 terperinciPENCARIAN ASSOCIATION RULES PADA DATA LULUSAN MAHASISWA PERGURUAN TINGGI MENGGUNAKAN ALGORITMA FP-GROWTH SKRIPSI SHARFINA FAZA
PENCARIAN ASSOCIATION RULES PADA DATA LULUSAN MAHASISWA PERGURUAN TINGGI MENGGUNAKAN ALGORITMA FP-GROWTH SKRIPSI SHARFINA FAZA 101402088 PROGRAM STUDI S1 TEKNOLOGI INFORMASI FAKULTAS ILMU KOMPUTER DAN
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 terperinciModel Data Mining sebagai Prediksi Penyakit Hipertensi Kehamilan dengan Teknik Decision Tree
Scientific Journal of Informatics Vol. 3, No. 1, Mei 2016 p-issn 2407-7658 http://journal.unnes.ac.id/nju/index.php/sji e-issn 2460-0040 Model Data Mining sebagai Prediksi Penyakit Hipertensi Kehamilan
Lebih terperinciII. TINJAUAN PUSTAKA
II. TINJAUAN PUSTAKA 2.1 Sistem Informasi Manajemen Mcleod R dan Schell G, (2004) membagi sumber daya menjadi dua bagian yaitu sumberdaya fisikal dan sumberdaya konseptual. Sumber daya fisikal terdiri
Lebih terperinciDATA MINING INFORMASI TINGKAT KELULUSAN MAHASISWA STMIK PELITA NUSANTARA MEDAN. Anita Sindar RM Sinaga
DATA MINING INFORMASI TINGKAT KELULUSAN MAHASISWA STMIK PELITA NUSANTARA MEDAN Anita Sindar RM Sinaga Program Studi Teknik Informatika STIMIK Pelita Nusantara, Jl. Iskandar Muda No. 1 Medan, Indonesia
Lebih terperinci1 BAB I 2 PENDAHULUAN
1 BAB I 2 PENDAHULUAN 1.1 Latar Belakang Data mining merupakan salah satu bidang ilmu yang berupaya untuk menemukan kaidah, pola, model, maupun informasi yang bersifat menarik dari sekumpulan data. Salah
Lebih terperinciIII. METODOLOGI PENELITIAN
III. METODOLOGI PENELITIAN 3.1. Kerangka Pemikiran Penelitian Informasi merupakan suatu unsur kunci yang penting di dalam suatu sistem konseptual. Suatu informasi dapat terbentuk melalui berbagai cara
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 terperinciPenerapan Metode Association Rule Menggunakan Algoritma Apriori pada Simulasi Prediksi Hujan Wilayah Kota Bandung
Penerapan Metode Association Rule Menggunakan Algoritma Apriori pada Simulasi Prediksi Hujan Wilayah Kota Bandung Mohamad Fauzy 1, Kemas Rahmat Saleh W 2, Ibnu Asror 3 123 Fakultas Informatika Telkom University,
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Data mining bertujuan untuk menemukan pola-pola yang valid, baru, mempunyai nilai guna, dan mudah dipahami dari data yang ada. Jenis pola yang dihasilkan ditentukan
Lebih 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 terperinciUKDW BAB I PENDAHULUAN
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Untuk dapat meningkatkan penjualan, pengambil keputusan / manajer toko harus dapat memperhatikan faktor-faktor yang mempengaruhi secara langsung. Salah satu
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1. Aplikasi Data Mining Data mining adalah suatu istilah yang digunakan untuk menemukan pengetahuan yang tersembunyi di dalam database. Data mining merupakan proses semi otomatik
Lebih terperinciSISTEM REKOMENDASI PAKET MAKANAN DENGAN ALGORITMA FP-GROWTH PADA RESTORAN SEAFOOD XYZ
SISTEM REKOMENDASI PAKET MAKANAN DENGAN ALGORITMA FP-GROWTH PADA RESTORAN SEAFOOD XYZ Pahridila Lintang 1),Muhammad Iqbal 2), Ade Pujianto 3) 1), 2, 3) Teknik Informatika STMIK AMIKOM Yogyakarta Jl Ring
Lebih terperinciIMPLEMENTASI METODE ASSOSIATION RULES UNTUK MENEMUKAN POLA HUBUNGAN ANTARA DATA AKADEMIK DAN NON-AKADEMIK TUGAS AKHIR
IMPLEMENTASI METODE ASSOSIATION RULES UNTUK MENEMUKAN POLA HUBUNGAN ANTARA DATA AKADEMIK DAN NON-AKADEMIK TUGAS AKHIR Sebagai Persyaratan Guna Meraih Gelar Sarjana Strata 1 Teknik Informatika Universitas
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 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 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 terperinciPENGEMBANGAN APLIKASI PENGGALIAN TOP-K FREQUENT CLOSED CONSTRAINED GRADIENT ITEMSETS PADA BASIS DATA RETAIL
PENGEMBANGAN APLIKASI PENGGALIAN TOP-K FREQUENT CLOSED CONSTRAINED GRADIENT ITEMSETS PADA BASIS DATA RETAIL Dhiani Tresna Absari dan Arif Djunaidy Fakultas Teknologi Informasi, Institut Teknologi Sepuluh
Lebih terperinciJURNAL IMPLEMENTASI DATA MINING PADA PENJUALAN SEPATU DENGAN MENGGUNAKAN ALGORITMA APRIORI
JURNAL IMPLEMENTASI DATA MINING PADA PENJUALAN SEPATU DENGAN MENGGUNAKAN ALGORITMA APRIORI IMPLEMENTATION OF DATA MINING ON THE SALE OF SHOES WITH ALGORITHMS USING APRIORI Oleh : VERNANDA NOVRINI BUDIYASARI
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Dalam kehidupan sehari-hari kebutuhan akan informasi yang akurat sangat dibutuhkan dalam perkembangan masyarakat saat ini dan waktu mendatang. Namun kebutuhan informasi
Lebih terperinciPENCARIAN ATURAN ASOSIASI MENGGUNAKAN ALGORITMA APRIORI SEBAGAI BAHAN REKOMENDASI STRATEGI PEMASARAN PADA TOKO ACIICA
PENCARIAN ATURAN ASOSIASI MENGGUNAKAN ALGORITMA APRIORI SEBAGAI BAHAN REKOMENDASI STRATEGI PEMASARAN PADA TOKO ACIICA SKRIPSI Diajukan untuk Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Komputer
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 terperinciBAB I PENDAHULUAN. Teknologi Informasi sekarang ini telah digunakan hampir di semua aspek
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Teknologi Informasi sekarang ini telah digunakan hampir di semua aspek kehidupan, contohnya dalam sebuah perusahaan ritel. Dengan sistem yang telah terkomputerisasi,
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Apriori merupakan salah satu algoritma yang terkenal dalam mencari frequent pattern dari database transaksi[8]. Prinsip dari algortima Apriori ini adalah jika sebuah
Lebih 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 terperinciALGORITMA PARALEL FP-GROWTH UNTUK PENGGALIAN KAIDAH ASOSIASI PADA JARINGAN KOMPUTER
ALGORITMA PARALEL FP-GROWTH UNTUK PENGGALIAN KAIDAH ASOSIASI PADA JARINGAN KOMPUTER F.X. Arunanto, Syaiful Isman Jurusan Teknik Informatika, Fakultas Teknologi Informasi, Institut Teknologi Sepuluh Nopember
Lebih terperinciBAB III METODE PENELITIAN. Metode penelitian merupakan suatu prosedur beserta tahapan-tahapan yang
BAB III METODE PENELITIAN Metode penelitian merupakan suatu prosedur beserta tahapan-tahapan yang tersusun secara jelas dan sistematis guna menyelesaikan suatu permasalahan yang sedang diteliti dengan
Lebih terperinciFREQUENT ITEMSET MINING MENGGUNAKAN ALGORITMA PIE
FREQUENT ITEMSET MINING MENGGUNAKAN ALGORITMA PIE Suhatati Tjandra Dosen Teknik Informatika Sekolah Tinggi Teknik Surabaya e-mail: tati@stts.edu ABSTRAK Frequent itemset mining adalah algoritma yang digunakan
Lebih terperinciIMPLEMENTASI DATA MINING MENGGUNAKAN ALGORITMA ECLAT
IMPLEMENTASI DATA MINING MENGGUNAKAN ALGORITMA ECLAT Syafina Dwi Arinda 1, Sulastri 2 1,2 Fakultas Teknologi Informasi, Universitas Stikubank Semarang e-mail: 1 syafinadwi96@gmail.com, 2 sulastri@unisbank.ac.id
Lebih terperinciDAFTAR ISI Transformasi data... 47
DAFTAR ISI HALAMAN JUDUL... i HALAMAN PENGESAHAN... ii HALAMAN PERNYATAAN... iii PRAKATA... iv DAFTAR ISI... vi DAFTAR TABEL... ix DAFTAR GAMBAR... xi INTISARI... xiii ABSTRACT... xiv BAB I PENDAHULUAN...
Lebih terperinciPROGRAM BANTU UNTUK PERENCANAAN PENGAMBILAN MATAKULIAH
PROGRAM BANTU UNTUK PERENCANAAN PENGAMBILAN MATAKULIAH Yetli Oslan, S.Kom., MT dan Katon Wijana, S.Kom., MT Abstrak Membuat keputusan dalam menentukan perencanaan pengambilan tiap semester merupakan hal
Lebih terperinciIMPLEMENTASI DATA MINING MENGGUNAKAN ALGORITMA APRIORI
IMPLEMENTASI DATA MINING MENGGUNAKAN ALGORITMA APRIORI Ristianingrum 1, Sulastri 2 1,2 Program Studi Sistem Informasi, Fakultas Teknologi Informasi, Universitas Stikubank e-mail: 1 ristiia.rum@gmail.com,
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 terperinciANALISA KONSISTENSI POLA PEMINJAMAN BUKU MENGGUNAKAN ALGORITMA FP-GROWTH (STUDI KASUS:UPT PERPUSTAKAAN UNIVERSITAS SEBELAS MARET)
ANALISA KONSISTENSI POLA PEMINJAMAN BUKU MENGGUNAKAN ALGORITMA FP-GROWTH (STUDI KASUS:UPT PERPUSTAKAAN UNIVERSITAS SEBELAS MARET) SKRIPSI Diajukan untuk Memenuhi Salah Satu Syarat Mencapai Gelar Strata
Lebih terperinciKata kunci : Perpustakaan, Sistem Rekomendasi, Knowledge Discovery from Database (KDD), Association Rule Mining, Algoritma CT-PRO
PENERAPAN ASSOCIATION RULE MINING UNTUK REKOMENDASI PENELUSURAN BUKU DENGAN ALGORITMA CT-PRO Dwi Maryati Suryana, Sri Setyaningsih, Lita Karlitasari e-mail : dwimaryatisuryana@yahoo.com Program Studi Ilmu
Lebih terperinciAPLIKASI DATA MINING UNTUK MENAMPILKAN INFORMASI TINGKAT KELULUSAN MAHASISWA
APLIKASI DATA MINING UNTUK MENAMPILKAN INFORMASI TINGKAT KELULUSAN MAHASISWA Yuli Asriningtias, Rodhyah Mardhiyah Program Studi Teknik Informatika Fakultas Bisnis & Teknologi Informasi, Universitas Teknologi
Lebih terperinciLili Tanti. STMIK Potensi Utama, Jl. K.L. Yos Sudarso Km. 6,5 No. 3A Tj. Mulia Medan ABSTRACT
Lili, Penerapan Data Mining Untuk 35 PENERAPAN DATA MINING UNTUK MENENTUKAN JUMLAH MAHASISWA PADA SATU DAERAH DENGAN MENGGUNAKAN METODE ALGORITMA APRIORI Lili Tanti Email : lili@potensi-utama.ac.id STMIK
Lebih 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 terperinciJurnal Edik Informatika Penelitian Bidang Komputer Sains dan Pendidikan Informatika V1.i1(52-62)
Analisa Pola Peminjaman Buku Perpustakaan Menggun Algoritma Apriori Azwar Anas Program Studi Pendidikan Informatika, STKIP PGRI Sumbar aans_07@yahoo.co.id http://dx.doi.org/10.22202/jei.2014.v1i1.1439
Lebih terperinciProsiding Statistika ISSN:
Prosiding Statistika ISSN: 2460-6456 Market Basket Analysis Menggunakan Algoritma FP-Growth (Kasus Data Peminjaman Buku di Perpustakaan Universitas Islam Bandung) Market Basket Analysis Using FP-Growth
Lebih terperinciANALISA POLA TRANSAKSI OBAT MENGGUNAKAN ALGORITMA APRIORI Shalsabilla Luthfi Dewati ABSTRAK
ANALISA POLA TRANSAKSI OBAT MENGGUNAKAN ALGORITMA APRIORI Shalsabilla Luthfi Dewati ABSTRAK Poliklinik merupakan salah satu bentuk pelayanan masyarakat dalam bidang kesehatan. Pada umumnya poliklinik hanya
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 terperinciPENERAPAN TEKNIK ASSOSIATION RULE UNTUK MENENTUKAN PENEMPATAN BUKU PERPUSTAKAAN
PENERAPAN TEKNIK ASSOSIATION RULE UNTUK MENENTUKAN PENEMPATAN BUKU PERPUSTAKAAN Jasmir Program Studi Teknik Informatika, STIKOM Dinamika Bangsa Jambi ijay_jasmir@yahoo.com ABSTRAK Penentuan tataletak buku
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 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 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 terperinciPENGGUNAAN ALGORITHMA APRIORI DALAM MENGANALISA PRILAKU MAHASISWA DALAM MEMILIH MATA KULIAH ( STUDI KASUS : FKIP UPI YPTK )
PENGGUNAAN ALGORITHMA APRIORI DALAM MENGANALISA PRILAKU MAHASISWA DALAM MEMILIH MATA KULIAH ( STUDI KASUS : FKIP UPI YPTK ) SARJON DEFIT Fakultas Ilmu Komputer Universitas Putra Indonesia YPTK E-mail :
Lebih terperinciBAB 2 LANDASAN TEORI
6 BAB 2 LANDASAN TEORI 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 terperinci