Assocation Rule. Data Mining
|
|
|
- Devi Salim
- 7 tahun lalu
- Tontonan:
Transkripsi
1 Assocation Rule Data Mining
2 Association Rule Analisis asosiasi atau association rule mining adalah teknik data mining untuk menemukan aturan assosiatif antara suatu kombinasi item. Aturan yang menyatakan asosiasi antara beberapa atribut sering disebut affinity analysis atau market basket analysis
3 Association Rule Analisis asosiasi didefinisikan sebagai suatu proses untuk menemukan semua aturan assosiatif yang memenuhi syarat minimum untuk support (minimum support) dan syarat minimum untuk confidence (minimumconfidence). Penting tidaknya suatu aturan assosiatif dapat diketahui dengan dua parameter, support (nilai penunjang) yaitu persentase kombinasi item tersebut dalam database dan confidence (nilai kepastian) yaitu kuatnya hubungan antar item dalam aturan assosiatif
4 Contoh Association Rule {roti, mentega} {susu} (support = 40%, confidence = 50%) Yang artinya : "50% dari transaksi di database yang memuat item roti dan mentega juga memuat item susu.sedangkan 40% dari seluruh transaksi yang ada di database memuat ketiga item itu." Dapat juga diartikan : "Seorang konsumen yang membeli roti dan mentega punya kemungkinan 50% untuk juga membeli susu. Aturan ini cukup signifikan karena mewakili 40% dari catatan transaksi selama ini."
5 Algoritma A Priori Algoritma A Priori termasuk jenis aturan asosiasi pada data mining. Selain a priori, yang termasuk pada golongan ini adalah metode generalized rule induction dan algoritma hash based.
6 Metodologi dasar analisis asosiasi : 1. Analisa pola frekuensi tinggi 2. Pembentukan aturan assosiatif
7 1. Analisa 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:
8 2. Pembentukan aturan assosiatif Setelah semua pola frekuensi tinggi ditemukan, barulah dicari aturan assosiatif yang memenuhi syarat minimum untuk confidence dengan menghitung confidence aturan assosiatif A B Nilai confidence dari aturan A B diperoleh dari rumus berikut:
9 algoritma pada Association Rule 1. Tentukan Ф 2. Tentukan semua Frekuen Item set 3. Untuk setiap Frekuen Item set lakukan hal sbb: i. Ambil sebuah unsur, namakanlah s ii. Untuk sisanya namakanlah ss-s iii. Masukkan unsur-unsur yang telah diumpamakan ke dalam rule If (ss-s) then s Untuk langkah ke 3 lakukan untuk semua unsur.
10 Contoh Kasus NO Transaksi Item yang di beli 1 C, E, D 2 A, F, D 3 D, G, B, F 4 E, D, G, B 5 B, A, C 6 F, A, B, G 7 G, D 8 C, G, E 9 F, A, B 10 B, D
11 (analisa pola frekwensi tinggi) Pisahkan masing-masing item yang dibeli NO Transaksi Item yang di beli 1 C, E, D 2 A, F, D 3 D, G, B, F 4 E, D, G, B 5 B, A, C 6 F, A, B, G 7 G, D 8 C, G, E 9 F, A, B 10 B, D Item yang di beli A B C D E F G
12 Jumlah pembelian untuk setiap item. NO A B C D E F G TOT
13 1 item-set F1 = {{A}, {B}, {C}, {D}, {E}, {F}, {G}} Tentukan Ф. Misl Ф=3 NO A B C D E F G TOT
14 2 item-set Untuk k=2 diperlukan tabel untuk tiap-tiap pasang item. {A,B}, {A,C}, {A,D}, {A,E}, {A,F}, {A,G}, {B,C}, {B,D}, {B,E}, {B,F}, {B,G}, {C,D}, {C,E}, {C,F}, {C,G}, {D,E},{D,F}, {D,G}, {E,F}, {E,G}, {F,G}
15 k = 2 item set T A B Hasil T A C Hasil T A D Hasil T A E Hasil T A F Hasil T A G Hasil F F F F F F F F T F T F F F F F F F F F F F F F T T F F F F T F F F T T F F F F F F F F F F F F T F F F T F F F F F F F TOT T 3 TOT T 1 TOT T 1 TOT T 0 TOT T 3 TOT T 1 T B C Hasil T B D Hasil T B E Hasil T B F Hasil T B G Hasil F F F F F F F F F F F T F T T F T T F T T F F F F F F F T T F F F F F F F F F F F F F T F F T F F F TOT T 1 TOT T 3 TOT T 1 TOT T 3 TOT T 3
16 k = 2 T C D Hasil T C E Hasil T C F Hasil T C G Hasil T T F F F F F F F F F F F F F F F F F F F F F F F F F F F T F T F F F F F F F F TOT T 1 TOT T 2 TOT T 0 TOT T 1 T D E Hasil T D F Hasil T D G Hasil T F F F T F F T T T F T F F F F F F F F T F F F F F F F F F TOT T 2 TOT T 2 TOT T 3 T E F Hasil T E G Hasil F F F F F F F T F F F F F F F T F F F F TOT T 0 TOT T 2 T F G Hasil F F T F F T F F F F TOT T 2
17 Frekuen Item set F2 Dari tabel diatas diatas frequent k2-item set F2 = {{A,B}, {A,F}, {B,D}, {B,F}, {B,G}, {D,G}
18 K=3 item set F2 = {{A,B}, {A,F}, {B,D}, {B,F}, {B,G}, {D,G} Itemset-itemset yang dapat digabungkan adalah itemset-itemset yang memiliki kesamaan dalam k-1 item pertama. Misalnya {A,B} dan {A,F} memiliki itemset k-1 pertama yg sama, yaitu A, maka dapat digabungkan menjadi 3-itemset baru yaitu {A, B, F}. {A, B, F}, {B, D, F}, {B, D,G}, {B, F, G}
19 F3 T A B F Hasil T B D F Hasil T B D G Hasil T B F G Hasil F F F F F F F F F T T T F F T F F F F F T F F T F F F F F F F F T F F F F F F F TOT T 2 TOT T 1 TOT T 2 TOT T 2 Dari tabel-tabel di atas, didapat F3 = { }, karena tidak ada Σ >= Ф sehingga F4, F5, F6 dan F7 juga merupakan himpunan kosong.
20 Pembentukan aturan assosiatif Rule yang dipakai adalah if x then y, dimana x adalah antecendent dan y adalah consequent. Berdasarkan rule tersebut, maka dibutuhkan 2 buah item yang mana salah satunya sebagai antecedent dan sisanya sebagai consequent. Dari langkah sblmnya didapat 1 buah Fk yaitu F2. F1 tidak disertakan karena hanya terdiri dari 1 item saja. Untuk antecedent boleh lebih dari 1 unsur, sedangkan untuk consequent terdiri dari 1 unsur.
21 Pembentukan aturan assosiatif Tentukan (ss-s) sebagai antecedent dan s sebagai consequent dari Fk yang telah di dapat berdasarkan rule pada langkah sebelumnya. Pada F2 didapat himpunan F2 = {{A,B}, {A,F}, {B,D}, {B,F}, {B,G}, {D,G}
22 Pembentukan aturan assosiatif Untuk {A,B}: Jika (ss-s) = A, Jika s = B, Maka If buy A then buy B Jika (ss-s) = B, Jika s = A, Maka If buy B then buy A Untuk {A,F}: Jika (ss-s) = A, Jika s = F, Maka If buy A then buy F Jika (ss-s) = F, Jika s = A, Maka If buy F then buy A Untuk {B,D}: Jika (ss-s) = B, Jika s = D, Maka If buy B then buy D Jika (ss-s) = D, Jika s = B, Maka If buy D then buy B Untuk {B,F}: Jika (ss-s) = B, Jika s = F, Maka If buy B then buy F Jika (ss-s) = F, Jika s = B, Maka If buy F then buy B Untuk {B,G}: Jika (ss-s) = B, Jika s = G, Maka If buy B then buy G Jika (ss-s) = G, Jika s = B, Maka If buy G then buy B Untuk {D,G}: Jika (ss-s) = D, Jika s = G, Maka If buy D then buy G Jika (ss-s) = G, Jika s = D, Maka If buy G then buy D
23 Pembentukan aturan assosiatif Dari langkah sblmnya, kita mendapatkan 12 rule yang dapat digunakan yaitu If antecedent then consequent Support Confidence If buy A then buy B If buy B then buy A If buy A then buy F If buy F then buy A If buy B then buy D If buy D then buy B If buy B then buy F If buy F then buy B If buy B then buy G If buy G then buy B If buy D then buy G If buy G then buy D
24 Hitung support dan confidence.
25 Pembentukan aturan assosiatif Untuk Σ item yang dibeli sekaligus pada If buy A then buy B, ada 3 transaksi. Jumlah seluruh transaksi adalah 10 transaksi, sehingga support-nya adalah: Support = (3/10)*100% = 30 % sedangkan jumlah transaksi yang membeli A adalah 4 transaksi, sehingga confidence-nya adalah: Confidence = (3/4)*100% = 75% If antecedent then consequent Support Confidence If buy A then buy B (3/10) x 100% = 30.00% (3/4) x 100%= 75.00% If buy B then buy A (3/10) x 100% = 30.00% (3/6) x 100%= 50.00% If buy A then buy F (3/10) x 100% = 30.00% (3/4) x 100%= 75.00% If buy F then buy A (3/10) x 100% = 30.00% (3/4) x 100%= 75.00% If buy B then buy D (3/10) x 100% = 30.00% (3/6) x 100%= 50.00% If buy D then buy B (3/10) x 100% = 30.00% (3/6) x 100%= 50.00% If buy B then buy F (3/10) x 100% = 30.00% (3/6) x 100%= 50.00% If buy F then buy B (3/10) x 100% = 30.00% (3/4) x 100%= 75.00% If buy B then buy G (3/10) x 100% = 30.00% (3/6) x 100%= 50.00% If buy G then buy B (3/10) x 100% = 30.00% (3/5) x 100%= 60.00% If buy D then buy G (3/10) x 100% = 30.00% (3/6) x 100%= 50.00% If buy G then buy D (3/10) x 100% = 30.00% (3/5) x 100%= 60.00%
26 Pembentukan aturan assosiatif Setelah di dapat support dan confidence untuk masingmasing kandidat, lakukan perkalian antara support dan confidence, dimana confidence-nya diambil 70% ke atas, sehingga di dapat tabel sbb: If antecedent then consequent Support Confidence Support X Confidence If buy A then buy B 30.00% 75.00% If buy A then buy F 30.00% 75.00% If buy F then buy A 30.00% 75.00% If buy F then buy B 30.00% 75.00% 0.225
27 Pembentukan aturan assosiatif Hasil paling besar dari perkalian perkalian tersebut merupakan rule yang dipakai pada saat menjual Maka rule yg dihasilkan: - Jika membeli A maka akan membeli B dengan support 33,33% dan confidence 75% - Jika membeli A maka akan membeli F dengan support 33,33% dan confidence 75% - Jika membeli F maka akan membeli A dengan support 33,33% dan confidence 75% - Jika membeli F maka akan membeli B dengan support 33,33% dan confidence 75%
Aturan assosiatif biasanya dinyatakan dalam bentuk : {roti, mentega} {susu} (support = 40%, confidence = 50%)
ASSOCIATION RULE (ALGORITMA A PRIORI) Algoritma A Priori termasuk jenis aturan asosiasi pada data mining. Selain a priori, yang termasuk pada golongan ini adalah metode generalized rule induction dan algoritma
BAB III METODE PENELITIAN. A. Tempat dan Waktu. 1. Tempat Penelitian. a. Assalam hypermarket merupakan salah satu pusat perbelanjaan di
BAB III METODE PENELITIAN A. Tempat dan Waktu 1. Tempat Penelitian Tempat penelitian merupakan suatu sumber untuk mendapatkan data yang dibutuhkan mengenai masalah yang akan diteliti. Data untuk penelitian
PENGGUNAAN MARKET BASKET ANALYSIS DALAM DATA MINING
PENGGUNAAN MARKET BASKET ANALYSIS DALAM DATA MINING Narwati Dosen Fakultas Teknologi Informasi Abstrak Jumlah data yang sangat besar pada suatu perusahaan atau dalam suatu transaksi bisnis, merupakan suatu
Implementasi Data Mining Algoritme Apriori Pada Sistem Penjualan Kusuma Shop
Implementasi Data Mining Algoritme Apriori Pada Sistem Penjualan Kusuma Shop Lutfi Mukaromah 1, Kusumaningtyas 2, Apriliani Galih Saputri 3, Harleni Vionita 4, Rendi Susilo 5,Tri Astuti 6, Lusi Dwi Oktaviana
Analisis 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.
Metodologi 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
Cynthia Banowaty Pembimbing : Lely Prananingrum, S.Kom., MMSi
DATA MINING UNTUK PERANCANGAN PENGAMBILAN KEPUTUSAN PRODUK KERAJINAN MENGGUNAKAN ALGORITMA APRIORI BERBASIS WEBSITE Cynthia Banowaty 11111695 Pembimbing : Lely Prananingrum, S.Kom., MMSi Latar Belakang
Gambar Tahap-Tahap Penelitian
BAB III METODELOGI PENELITIAN Dalam menyelesaikan penelitian ini dibuat beberapa tahapan. Tahap-tahap kegiatan dijelaskan dalam Gambar 3.1 Studi Literatur Pengumpulan Data Retrieve Data Pre-Processing
BAB 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
IMPLEMENTASI 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.)
PENERAPAN 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.
BAB 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
IMPLEMENTASI DATA MINING ALGORITME APRIORI PADA PENJUALAN SUKU CADANG MOTOR DELTA MOTOR
IMPLEMENTASI DATA MINING ALGORITME APRIORI PADA PENJUALAN SUKU CADANG MOTOR DELTA MOTOR Sigit Bahtiar Aji Saputra 1, Reva Dwiana 2, Wahyu Dewi Nur Oktaviani 3, Royana Dwi Isnaeni 4, Tri Astuti 5, Nurfaizah
BAB 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
BAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Berbagai penemuan terbaru di dalam pengumpulan dan penyimpanan data telah memungkinkan berbagai organisasi untuk mengumpulkan berbagai data (data pembelian, data nasabah,
Association Rule. Ali Ridho Barakbah
Association Rule Ali Ridho Barakbah Assocation rule? Mencari suatu kaidah keterhubungan dari data Diusulkan oleh Agrawal, Imielinski, and Swami (1993) Contoh Dalam suatu supermarket kita ingin mengetahui
BAB 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
BAB 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
BAB 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
PENERAPAN 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
ANALISA 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
PENGGUNAAN 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
ANALISA 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,
PENERAPAN A PRIORI RULE UNTUK MELIHAT PERILAKU PENGGUNAAN INTERNET
PENERAPAN A PRIORI RULE UNTUK MELIHAT PERILAKU PENGGUNAAN INTERNET Artikel Ilmiah Peneliti: Robertho F Wellikin (672011203) Dr. Irwan Sembiring, S.T., M.Kom. Ramos Somya, S.Kom., M.Cs. Program Studi Teknik
BAB III ANALISA DAN DESAIN SISTEM
BAB III ANALISA DAN DESAIN SISTEM III.1. Analisis Masalah Dibutuhkannya ketelitian dalam Melihat hasil penjualan minuman pada kedai kopi Uleekareng & Gayo untuk menentukan minuman yang paling diminati
IMPLEMENTASI DATA MINING ALGORITMA APRIORI PADA PENJUALAN SPAREPART MOTOR DI AHAS PUTRA MOTOR
IMPLEMENTASI DATA MINING ALGORITMA APRIORI PADA PENJUALAN SPAREPART MOTOR DI AHAS PUTRA MOTOR SKRIPSI Diajukan Untuk Penulisan Skripsi Guna Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Komputer
BAB II TINJAUAN PUSTAKA
6 BAB II TINJAUAN PUSTAKA Pada kajian literatur ini berisi studi pustaka terhadap buku, jurnal ilmiah, penelitian sebelumnya yang berkaitan dengan topik penelitian. Uraian tinjauan pustaka diarahkan untuk
DATA 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
ASSOCIATION RULES PADA TEXT MINING
Text dan Web Mining - FTI UKDW - BUDI SUSANTO 1 ASSOCIATION RULES PADA TEXT MINING Budi Susanto versi 1.4 Text dan Web Mining - FTI UKDW - BUDI SUSANTO 2 Tujuan Memahami algoritma Apriori dan FP-Growth
Jurnal 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
IMPLEMENTASI DATA MINING TERHADAP PENYUSUNAN LAYOUT MAKANAN PADA RUMAH MAKAN PADANG MURAH MERIAH
IMPLEMENTASI DATA MINING TERHADAP PENYUSUNAN LAYOUT MAKANAN PADA RUMAH MAKAN PADANG MURAH MERIAH Oliver Zakaria 1), Kusrini 2) 1) Teknik Informatika STMIK AMIKOM Yogyakarta Jl. Ring Road Utara Condong
APLIKASI 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),
ANALISA 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
BAB 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
ANALISA 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
Pengembangan 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
PENERAPAN 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
Implementasi 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
ANALISA ALGORITMA APRIORI UNTUK MENENTUKAN MEREK PAKAIAN YANG PALING DIMINATI PADA MODE FASHION GROUP MEDAN
ANALISA ALGORITMA APRIORI UNTUK MENENTUKAN MEREK PAKAIAN YANG PALING DIMINATI PADA MODE FASHION GROUP MEDAN Eka Novita Sari (0911010) Mahasiswa Program Studi Teknik Informatika STMIK Budidarma Medan Jl.
BAB 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
APLIKASI DATA MINING MARKET BASKET ANALYSIS PENJUALAN SUKU CADANG SEPEDA MOTOR MENGGUNAKAN METODE ASSOCIATION RULES PADA PT. SEJAHTERA MOTOR GEMILANG
APLIKASI DATA MINING MARKET BASKET ANALYSIS PENJUALAN SUKU CADANG SEPEDA MOTOR MENGGUNAKAN METODE ASSOCIATION RULES PADA PT. SEJAHTERA MOTOR GEMILANG EKA FITRIA WULANSARI Program Studi Teknik Informatika,
Analisis 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
BAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Data Mining Istilah data mining memiliki beberapa padanan, seperti knowledge discovery ataupun pattern recognition. Kedua istilah tersebut sebenarnya memiliki ketepatannnya masing-masing.
PENERAPAN 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
IMPLEMENTASI DATA MINING MARKET BASKET ANALYSIS MENGGUNAKAN ALGORITMA APRIORI UNTUK AKUISISI DATA DARI TWITTER
IMPLEMENTASI DATA MINING MARKET BASKET ANALYSIS MENGGUNAKAN ALGORITMA APRIORI UNTUK AKUISISI DATA DARI TWITTER Nama NPM Fakultas Jurusan Pembimbing :Victorio Sudarmadi Puika : 5A411208 : Teknologi Industri
TOKO 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)
BAB I PENDAHULUAN 1.1 Latar Belakang Pelaku bisnis saat ini dituntut selalu inovatif untuk dapat bersaing dengan kompetitor. Bisnis retail seperti Apotek merupakan bisnis dengan persaingan yang sangat
IMPLEMENTASI DATA MINING PADA PENJUALAN PRODUK ELEKTRONIK DENGAN ALGORITMA APRIORI (STUDI KASUS : KREDITPLUS)
IMPLEMENTASI DATA MINING PADA PENJUALAN PRODUK ELEKTRONIK DENGAN ALGORITMA APRIORI (STUDI KASUS : KREDITPLUS) Dewi Kartika Pane (0911801) Mahasiswa Program Studi Teknik Informatika, STMIK Budidarma Medan
BAB 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
BAB III ANALISIS DAN PERANCANGAN
BAB III ANALISIS DAN PERANCANGAN III.1. Analisis Sistem Analisis sistem yang berjalan pada perusahaan PT. Perintis Perkasa dikelola dengan menggunakan software TDMS (Toyota Dealer Management System). TDMS
2.2 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
PENERAPAN 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
BAB 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
BAB 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
PENERAPAN 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)
BAB IV HASIL DAN UJICOBA. Penerapan Data Mining Market Basket Analysis Terhadap Data Penjualan Produk
BAB IV HASIL DAN UJICOBA IV.1. Tampilan Hasil Berikut ini dijelaskan mengenai tampilan hasil dari perancangan Penerapan Data Mining Market Basket Analysis Terhadap Data Penjualan Produk Elektronik Dengan
RANCANG 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
IMPLEMENTASI 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,
Kata kunci: aplikasi data mining, Association Rule, Apriori, genre lagu, Radio
Aplikasi Data Mining Perhitungan Frekuensi Data Pemutaran lagu dengan metode Association Rule Menggunakan Algoritma Apriori (studi kasus Radio Republik Indonesia ( RRI ) Semarang) Hendra Andhyka Program
ANALISA 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
Data Mining - Asosiasi. Market basket analysis Tool untuk menemukan pengetahuan. Istilah-istilah
Data Mining III Market Basket Case Analysis Data Mining - Asosiasi Market basket analysis Tool untuk menemukan pengetahuan berdasarkan hubungan asosiasi dua set data Data Mining - Asosiasi Bila diberi
ANALISIS 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
LEMBAR AKTIVITAS SISWA DIMENSI TIGA (WAJIB)
Nama Siswa Kelas LEMBAR AKTIVITAS SISWA DIMENSI TIGA (WAJIB) 5. Diagonal Ruang adalah Ruas garis yang menghubungkan dua titik : sudut yang saling berhadapan dalam satu ruang. : Kompetensi Dasar (KURIKULUM
PENERAPAN ALGORITMA APRIORI DALAM MEMPREDIKSI PERSEDIAAN BUKU PADA PERPUSTAKAAN SMA DWI TUNGGAL TANJUNG MORAWA
PENERAPAN ALGORITMA APRIORI DALAM MEMPREDIKSI PERSEDIAAN BUKU PADA PERPUSTAKAAN SMA DWI TUNGGAL TANJUNG MORAWA Domma Lingga Mahasiswa Program Studi Teknik Informatika STMIK Budidarma Medan Jl. Sisingamangaraja
ANALISA 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
6 SISTEM EVALUASI 6.1 Data Responden Evaluasi Elemen Desain Kursi Rotan 6.2 Pengembangan Sistem Evaluasi Elemen Desain Kursi Rotan
6 SISTEM EVALUASI Sistem evaluasi bertujuan untuk memperoleh pengetahuan antara kata Kansei dengan elemen desain yang menunjukkan kata tersebut. Pengetahuan tersebut diperoleh dari responden dengan menggunakan
1 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
PENDAHULUAN. Latar Belakang
Latar Belakang PENDAHULUAN Perkembangan teknologi informasi yang sangat pesat yang terjadi dewasa ini menuntut manusia untuk mampu beradaptasi dengan perkembangan tersebut. Upaya adaptasi yang dilakukan
BAB 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,
Data Mining III Asosiasi
Data Mining III Asosiasi Mata Kuliah Data Warehouse Universitas Darma Persada Oleh Adam Arif B 2011 Data Mining-Aturan Asosiasi-AAB 1 Data Mining - Asosiasi Market basket analysis Tool untuk menemukan
Analisa Data Mining Menggunakan Market Basket Analysis untuk Mengetahui Pola Beli Konsumen
Analisa Data Mining Menggunakan Market Basket Analysis untuk Mengetahui Pola Beli Konsumen Alkadri Masnur Teknik Informatika, STMIK Amik Riau alkadrimasnur@stmik-amik-riau.ac.id Abstrak Pada saat sekarang
Materi W9b GEOMETRI RUANG. Kelas X, Semester 2. B. Menggambar dan Menghitung jarak.
Materi W9b GEOMETRI RUANG Kelas X, Semester 2 B. Menggambar dan Menghitung jarak www.yudarwi.com B. Menggambar dan Menghitung Jarak Jarak dua objek dalam dimensi tiga adalah jarak terpendek yang ditarik
IMPLEMENTASI 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,
IMPLEMENTASI 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,
BAB V KESIMPULAN DAN SARAN. keranjang belanja (Market basket analysis) dalam penerapan cross selling pada
BAB V KESIMPULAN DAN SARAN 5.1. Kesimpulan Kesimpulan yang dapat diambil dari rancang bangun sistem analisis keranjang belanja (Market basket analysis) dalam penerapan cross selling pada Apotek K24 Kalibutuh
BAB 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
BAB I PENDAHULUAN I-1
BAB I PENDAHULUAN 1.1 Latar Belakang Permasalahan Banyaknya persaingan dalam dunia bisnis khususnya dalam industri penjualan, menuntut para pengembang untuk menemukan suatu strategi yang dapat meningkatkan
ASSOCIATION 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
BAB I PENDAHULUAN. mahasiswa yang seringkali meminjam buku harus mencari sendiri dirak rak
BAB I PENDAHULUAN I.1 Latar Belakang Perpustakaan merupakan salah satu fasilitas penyedia informasi,sumber ilmu pengetahuan,dan sarana penunjang proses kegiatan belajar bagi pengguna untuk mendapatkan
Penelitian ini melakukan pencarian
7 Penelitian ini melakukan pencarian () berdasarkan urutan proses dalam bagan alir minimal non-redundant association rules mining yang ditampilkan pada Gambar 3. Penelitian ini menggunakan hasil praproses
PENERAPAN ASSOCIATION RULE PADA DATA PERSEDIAAN BAHAN BAKU DI PRO AB CHICKEN JAMBI
PENERAPAN ASSOCIATION RULE PADA DATA PERSEDIAAN BAHAN BAKU DI PRO AB CHICKEN JAMBI Reny Wahyuning Astuti M.Kom 1),Lucy Simorangkir M.Kom 2), Hendra Wijaya 3) 1), 2)&3) Teknik Informatika, STMIK Nurdin
APLIKASI 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
PENERAPAN ALGORITMA APRIORI DALAM POLA PEMINJAMAN BUKU (STUDI KASUS : PERPUSTAKAAN STIKES PRIMA JAMBI)
) PENERAPAN ALGORITMA APRIORI DALAM POLA PEMINJAMAN BUKU (STUDI KASUS : PERPUSTAKAAN ) APRIORI ALGORITHM APPLICATION IN LENDING BOOK PATTERN (CASE STUDY: LIBRARY ) Rico, Brestina Gultom STIKes Prima Jambi
BAB III ANALISA DAN DESAIN SISTEM
36 BAB III ANALISA DAN DESAIN SISTEM Tahapan ini merupakan tahapan utama dalam penelitian, dalam tahapan pengembangan sistem metode yang akan dipakai adalah Rapid Application Development dan tahapan Data
DESAIN FAKTORIAL FRAKSIONAL 2 k-p SERTA ANALISISNYA BERBASIS WEB. Candra Aji dan Dadan Dasari 1 Universitas Pendidikan Indonesia ABSTRAK
DESAIN FAKTORIAL FRAKSIONAL k-p SERTA ANALISISNYA BERBASIS WEB Candra Aji dan Dadan Dasari Universitas Pendidikan Indonesia ABSTRAK Dalam eksperimen faktorial k, yakni eksperimen yang melibatkan k buah
PENGEMBANGAN 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
7. LAMPIRAN. Lampiran 1. Surat Pernyataan Kerjasama
7. LAMPIRAN Lampiran 1. Surat Pernyataan Kerjasama 55 Lampiran 2. Worksheet Uji Ranking Hedonik Tanggal uji : 2 Febuari 2010 Jenis sampel : Kerupuk Putih Telur WORKSHEET UJI RANKING HEDONIK Identifikasi
BAB 5 ALGORITMA A PRIORI. A. Algoritma A Priori
A. Algoritma A Priori BAB 5 ALGORITMA A PRIORI Algoritma a priori termasuk jenis aturan assosiasi pada data mining. Selain a priori yang termasuk pada golongan ini adalah metode Generalized Rule Induction
BAB II TINJAUAN PUSTAKA 2.1 DASAR TEORI Business Analytic
digilib.uns.ac.id BAB II TINJAUAN PUSTAKA 2.1 DASAR TEORI 2.1.1 Business Analytic 2.1.1.1 Pengertian Business Analytic (BA) Business Analytic adalah aplikasi dan teknik untuk mengumpulkan, menyimpan, menganalisis
PENERAPAN ALGORITMA APRIORI UNTUK TRANSAKSI PENJUALAN OBAT PADA APOTEK AZKA
PENERAPAN ALGORITMA APRIORI UNTUK TRANSAKSI PENJUALAN OBAT PADA APOTEK AZKA Winda Aprianti 1), Jaka Permadi 2), Oktaviyani 3) 1)2)3) Teknik Informatika, Politeknik Negeri Tanah Laut Jl. A. Yani Km. 06
II. 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
BAB 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
APLIKASI 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
PENERAPAN DATA MINING UNTUK MENGANALISIS PENJUALAN BARANG DENGAN MENGGUNAKAN METODE APRIORI PADA SUPERMARKET SEJAHTERA LHOKSEUMAWE
PENERAPAN DATA MINING UNTUK MENGANALISIS PENJUALAN BARANG DENGAN MENGGUNAKAN METODE APRIORI PADA SUPERMARKET SEJAHTERA LHOKSEUMAWE Nurdin, Dewi Astika Program Studi Teknik Informatika Universitas Malikussaleh
APLIKASI DATA MINING MENGGUNAKAN ATURAN ASOSIASI DENGAN METODE APRIORI UNTUK ANALISIS KERANJANG PASAR PADA DATA TRANSAKSI PENJUALAN APOTEK
APLIKASI DATA MINING MENGGUNAKAN ATURAN ASOSIASI DENGAN METODE APRIORI UNTUK ANALISIS KERANJANG PASAR PADA DATA TRANSAKSI PENJUALAN APOTEK Leni Meiwati Jurusan Sistem Informasi Fakultas Ilmu Komputer dan
ANALISA 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
ANALISIS 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
BAB III ANALISIS DAN DESAIN SISTEM
BAB III ANALISIS DAN DESAIN SISTEM III.1. Analisis Masalah Data penjualan pada CV. Auto Medan selama ini tidak tersusun dengan baik, sehingga data penjualan yang semakin hari semakin banyak tersebut hanya
IMPLEMENTASI 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
PEMODELAN RELOKASI SPAREPART MENGGUNAKAN METODE ASSOCIATION RULE MINING (ARM) (STUDI KASUS: SUB DEPOT (DEPO) PT. AGUNG AUTOMALL PEKANBARU)
PEMODELAN RELOKASI SPAREPART MENGGUNAKAN METODE ASSOCIATION RULE MINING (ARM) (STUDI KASUS: SUB DEPOT (DEPO) PT. AGUNG AUTOMALL PEKANBARU) TUGAS AKHIR Diajukan Sebagai Salah Satu Syarat Untuk Memperoleh