scholarly journals PENERAPAN ALGORITMA FP-GROWTH DALAM MENENTUKAN KECENDERUNGAN MAHASISWA MENGAMBIL MATA KULIAH PILIHAN

2021 ◽  
Vol 6 (1) ◽  
pp. 59
Author(s):  
Muhlis Tahir ◽  
Noferianto Sitompul
Keyword(s):  
Data Mining ◽  
Frequent Itemset ◽  
Frequent Pattern ◽  
Minimum Support ◽  
Pattern Growth

<p>Mata Kuliah Pilihan adalah mata kuliah yang boleh dipilih oleh mahasiswa dari daftar yang disediakan perguruan tinggi. Ada perguruan tinggi yang mengizinkan mata kuliah pilihan dari program studi berbeda ada pula yang justru mewajibkan. Mata kuliah pilihan ini ada karena guna memenuhi SKS yang menjadi target dan untuk mendalami lebih kanjut mata kuliah yang memang diminati Salah satu permasalahan yang sering dijumpai pada persoalan penilaian mata kuliah adalah banyaknya mata kuliah pilihan yang disediakan, sehingga mahasiswa bingung dalam memilih mata kuliah yang memang cocok dengan mereka. Frequent Pattern Growth (FP Growth) adalah salah satu alternatif algoritma yang dapat digunakan untuk menentukan himpunan data yang paling sering muncul (frequent itemset) dalam sebuah kumpulan data dengan algoritma FP-Growth dalam menganalisa data mata kuliah pilihan untuk mendapatkan pola kecenderungan Mahasiswa dalam memilih mata kuliah. Untuk melakukan penggalian dari data mata kuliah pilihan, penulis menggunakan sebuah algoritma yang menjadi dasar dari algoritma-algoritma yang lain yaitu frequent pattern growth (FP-Growth). Hasil yang didapatkan akan selalu berbeda dan bergantung kepada input user pada saat pembuatan aturan. Sistem pendukung keputusan ini memproses data transaksi mata kuliah mahasiswa Program Studi Pendidikan Komputer, dan menghasilkan aturan dan yang memenuhi minimum support dan minumum confidence serta yang banyak pemilihan adalah sistem pendukung keputusan, teknologi IoT, desain grafis, sistem informasi pendidikan game edukasi, pemrograman CMS, Data Mining yaitu sebesar 100%</p>

scholarly journals Penerapan Association Rule Mining Berbasis Algoritma Frequent Pattern Growth untuk Rekomendasi Penjualan

2020 ◽  
Vol 7 (2) ◽  
pp. 135-148
Author(s):  
Didi Supriyadi
Keyword(s):  
Data Mining ◽  
Association Rule ◽  
Association Rule Mining ◽  
Frequent Itemset ◽  
Frequent Pattern ◽  
Rule Mining ◽  
Minimum Support ◽  
Pattern Growth ◽  
Mining Association Rule

Tingkat persaingan dan kompleksitas permasalahan penjualan pada perusahaan retail, menuntut setiap perusahaan retail untuk mampu berkompetisi dengan perusahaan lain. Salah satu yang dapat dilakukan adalah melalui pengambilan keputusan terkait penjualan yang lebih tepat dan efektif. Besarnya data transaksinonal penjualan perusahaan retail dapat dilakukan ekstraksi informasi yang bermanfaat. Metode yang dapat digunakan untuk menggali informasi adalah melalui penerapan association rule mining. Association Rule Mining merupakan suatu metode data mining yang berfokus pada pola transaksi dengan cara mengekstraksi asosiasi atau hubungan suatu kejadian. Keranjang belanja yang terdapat pada perusahaan retail yang terkomputerisasi merupakan cara terbaik untuk memberikan dukungan rekomendasi keputusan secara ilmiah dengan cara menentukan hubungan antara barang yang dibeli secara bersamaan dalam setiap transaksi. Algoritma FP-growth digunakan untuk menentukan himpunan dataset yang paling sering muncul (frequent itemset) pada sekeompok data. Penelitian ini menghasilkan nilai minimum support 0,1% dan nilai minimum confidence 60% jumlah rule yang dihasilkan berjumlah 116457, nilai minimum confidence 70% jumlah rule yang dihasilkan berjumlah 84086, dan nilai minimum confidence 80% jumlah rule yang dihasilkan berjumlah 48623 dari data yang diolah sebanyak 22191. Hasil rule ini dapat digunakan untuk strategi pemasaran produk. Nilai minimum support 0,1% dimana semakin besar nilai minimum confidence maka menghasilkan rule yang semakin sedikit.

ANALISIS KINERJA ALGORITMA FREQUENT PATTERN GROWTH (FP-GROWTH) PADA PENAMBANGAN POLA ASOSIASI DATA TRANSAKSI

2019 ◽  
Vol 1 (1) ◽  
pp. 9-12
Author(s):  
Putri Kurnia Handayani ◽  
Nanik Susanti
Keyword(s):  
Data Mining ◽  
Frequent Itemset ◽  
Frequent Pattern ◽  
Pattern Growth

Data transaksi penjualan yang setiap hari bertambah menyebabkan banjir data dalam database. Data transaksi tersebut hanya digunakan sebagai laporan penjualan yang dicetak setiap bulannya. Data mining merupakan kegiatan menambang/menggali data untuk mengenali pola atau aturan tertentu dari sejumlah dataset yang sangat besar dan mempunyai dimensi tinggi. Asosiasi adalah teknik data mining untuk menemukan aturan suatu kombinasi item. Pola asosiasi yang berhasil diketahui dapat membantu pihak manajemen untuk mendukung pengambilan keputusan berkaitan dengan strategi penjualan, promosi produk, reward bagi pelanggan dan kendali stok. Penggalian pola asosiasi menggunakan algoritma FP-Growth melalui 3 tahap, yaitu pembangkitan conditional pattern base, conditional pattern tree dan pencarian frequent itemset. Metode perancangan sistem menggunakan UML. Tujuan penelitian ini adalah untuk menghasilkan sebuah sistem yang dapat mengenali pola asosiasi produk pada database.

scholarly journals Analisa Pola Frekuensi Keranjang Belanja Dengan Dengan Perbandingan Algoritma Fp-Growth (Frequent Pattern Growth) dan Eclat pada minimarket

2020 ◽  
Vol 7 (2) ◽  
pp. 364-373
Author(s):  
Krisna Nata Wijaya
Keyword(s):  
Data Mining ◽  
Association Rule ◽  
Frequent Pattern ◽  
Minimum Support ◽  
Pattern Growth

Dalam kegiatan transaksi jual beli di minimarket ataupun toko pemilik harus mengerti apa yang diinginkan komsumen dalam memberikan kenyaman berbelanja, terutama kemudahan dalam pemilihan barang yang disesuaikan dengan tata letak atau penempatan barang. Dengan menerapkan association rule pada data transaksi akan memudahkan pemilik dalam mengelolah informasi penjualan dan mencari itemset. Oleh karena itu, penelitian ini Melakukan analisis pola data transaksi penjualan dengan menerapkan metode asosiasi pada data mining. Selanjutnya dengan melakukan perbandingan algoritma Fp-Growth dan Eclat dengan minimum support dan confidence sebesar 0.01% untuk menentukan jumlah aturan yang terbentuk sebagai bahan pengambil keputusan yang ditunjukan untuk frekuensi keranjang belanja.

scholarly journals PENERAPAN DATA MINING MENGGUNAKAN ALGORITMA APRIORI UNTUK MENENTUKAN POLA GOLONGAN PENYANDANG MASALAH KESEJAHTERAAN SOSIAL

Sebatik ◽  
2022 ◽  
Vol 26 (1) ◽  
Author(s):  
Irwan Adji Darmawan ◽  
Muhammad Fakhri Randy ◽  
Imam Yunianto ◽  
Muhamad Malik Mutoffar ◽  
M Tio Putra Salis
Keyword(s):  
Data Mining ◽  
Association Rule ◽  
Pattern Mining ◽  
Frequent Pattern Mining ◽  
Frequent Itemset ◽  
Frequent Pattern ◽  
Data Set ◽  
Minimum Support

Penyandang Masalah Kesejahteraan Sosial (PMKS) menjadi satu dari sekian masalah yang terdapat di daerah perkotaan, sebab dapat mengganggu pembangunan kota, ketertiban umum, keamanan dan stabilitas. Sejauh ini langkah yang dilakukan sementara masih terfokus dengan cara penanganan PMKS, masih belum mengarah untuk mencegah. Menentukan pola golongan PMKS merupakan salah satu cara yang dapat dilakukan. Algoritma Apriori memiliki fungsi untuk membantu menemukan pola yang terdapat pada data (frequent pattern mining) untuk menentukan frequent itemset yang menggunakan metode Association Rule dalam data mining. Dalam penghitungan secara manual yang dilakukan maka didapat pola kombinasi antara lain 3 rules yang memiliki nilai minimum support 15% dengan confidence tertinggi 100% menggunakan Algoritma Apriori. Dalam menguji Algoritma Apriori digunakan aplikasi RapidMiner. RapidMiner merupakan satu dari beberapa software pengolah data mining, misalnya menganalisis teks, mengekstrak pola data set kemudian dikombinasikan menggunakan metode statistik, database, dan kecerdasan buatan agar didapat informasi yang tinggi berasal dari olahan data. Hasil yang didapat dari pengujian perbandingan pola antar golongan PMKS. Dari pengujian menggunakan aplikasi RapidMiner dan penghitungan secara manual Algoritma Apriori, maka disimpulkan dengan kriteria pengujian, bahwa pola (rules) golongan dengan nilai confidence (c) penghitungan manual Algoritma Apriori dapat dibilang tidak mendekati hasil pengujian aplikasi RapidMiner, maka dapat dikatakan tingkat keakuratan pengujian rencah, hanya 37,5%.

scholarly journals PENENTUAN POLA YANG SERING MUNCUL UNTUK PENJUALAN PUPUK MENGGUNAKAN ALGORITMA FP-GROWTH

2019 ◽  
Vol 9 (2) ◽  
pp. 1
Author(s):  
Chandra Eri Firman
Keyword(s):  
Data Mining ◽  
Association Rule ◽  
Frequent Itemsets ◽  
Frequent Itemset ◽  
Frequent Pattern ◽  
Pattern Growth

<p class="AbstractText">Aturan asosiasi dengan melakukan analisis suatu transaksi penjualan. Analisis transaksi penjualan bertujuan untuk merancang strategi yang efektif dengan memanfaatkan data transaksi penjualan produk pupuk yang dibeli oleh konsumen. Association rule adalah teknik data mining untuk mencari hubungan antar-item dalam suatu dataset yang ditentukan dengan menggunakan Algoritma FP-Growth. Frequent Pattern Growth (FP-Growth) adalah salah satu alternatif algoritma yang dapat digunakan untuk menentukan himpunan data yang paling sering muncul (frequent itemset) dalam sebuah kumpulan data. Algoritma FP-Growth menggunakan konsep pembangunan tree dalam pencarian frequent itemsets. Dari perhitungan nilai confidence dari rule yang dihasilkan menggunakan  Rapidminer-studio 7.3.0.</p><p class="AbstractText"> </p><p class="AbstractText"><strong>Kata Kunci</strong> : Data Mining, Assosiation Rule, FP-Growth, Penjualan Produk</p>

scholarly journals Data Mining Untuk Menganalisa Pola Pembelian Perak Dengan Menggunakan Algoritma Fp-Growth Pada Toko Emas Dan Perak Adi Saputra Tanjung

2020 ◽  
Vol 3 (2) ◽  
pp. 96
Author(s):  
Latifa Suryani Nasution ◽  
Widiarti Rista Maya ◽  
Jufri Halim ◽  
Marsono M
Keyword(s):  
Data Mining ◽  
Frequent Itemset ◽  
Frequent Pattern ◽  
Frequent Pattern Tree ◽  
Pattern Growth

Pencatatan data transaksi pembelian perak harian pada took emas dan perak Adi Saputra Tanjung belum dilakukan dengan rapi dan data transaksinya dicatat ke dalam buku besar masih secara manual  sehingga membuat pemilik toko kesulitan dalam menentukan barang apa saja yang laris di tokonya yang mengakibatkan promosi yang digunakan untuk meningkatkan penjualan di nilai kurang maksimal.Berdasarkan penelitian sebelumnya yang ditulis oleh Agus Nuryanto yaitu Penerapan Data Mining Menggunakan Algoritma Apriori Dan K-Means Untuk Meningkatkan Penjualan Toko Perhiasan Emas Setia Kawan, peneliti menganalisa pola pembelian perak untuk penemuan pola barang yang dibeli oleh pelanggan dengan harapan hasil penelitian dapat membantu rekomendasi promosi sehingga strategi pemasaran menjadi lebih tepat sasaran. algoritma yang digunakan adalah Frequent Pattern- Growth (FP-Growth) yaitu pengembangan dari metode Apriori yang merupakan salah satu alternatif untuk menentukan himpunan data yang paling sering muncul (frequent itemset) dalam sebuah kumpulan data dengan membangkitkan struktur data Tree atau disebut dengan Frequent Pattern Tree (FP-Tree).Hasil penelitian dari tahapan yang telah dilakukan, didapatkan nilai support sebesar 9% dan nilai confidence sebesar 30%  dengan jenis perak yang dibeli konsumen yaitu cincin putar, mainan kalung, kalung nama, cincin rantai pilin dan anting. Hasilnya dapat membantu pemilik toko untuk mengambil keputusan dalam penentuan stok perak yang perlu diperbanyak sehingga meningkatkan keuntungan dan meminimalisir kerugian.

scholarly journals Implementasi Algoritma FP-Growth Untuk Strategi Pemasaran Ritel Hidroponik (Studi Kasus : PT. HAB)

2019 ◽  
Vol 10 (1) ◽  
pp. 11
Author(s):  
Adi Nugroho Susanto Putro ◽  
Richardus Indra Gunawan
Keyword(s):  
Data Mining ◽  
Open Source ◽  
Association Rule ◽  
Research Community ◽  
Frequent Itemset ◽  
Frequent Pattern ◽  
Frequent Itemset Mining ◽  
Interestingness Measure ◽  
Itemset Mining ◽  
Pattern Growth

Bisnis di bidang tanaman sayuran mengalami peningkatan yang cukup signifikan beberapa tahun belakangan ini. Salah satu cara untuk menghasilkan produk sayuran yang berkualitas tinggi secara kontinyu adalah budidaya dengan sistem hidroponik [1]. Bisnis hidroponik mempunyai peluang yang baik akan tetapi mempunyai kelemahan yaitu karena tanaman segar tanpa obat dan pengawet maka sayur dan buah hidroponik tidak dapat bertahan lama. Maka jika sayur dan buah ini tidak segera terjual akan mengakibatkan kerugian. Data mining merupakan proses mencari pola atau informasi menarik dalam data terpilih dengan menggunakan teknik atau metode tertentu. Apriori merupakan salah satu dari sepuluh algoritma yang paling berpengaruh dalam research community. Sejak algoritma Apriori pertama kali diperkenalkan, ada banyak upaya untuk merancang algoritma frequent itemset mining yang lebih efisien. Perbaikan yang paling menonjol pada Apriori menjadi sebuah metode yang disebut FP-Growth (frequent pattern growth) yang berhasil menghilangkan candidate generation [2]. Penelitian ini mengusulkan implementasi Algoritma FP-Growth dengan Software Open Source Weka untuk membantu menganalisa dan merancang katalog produk ritel hidroponik untuk mendorong buah atau sayur terjual secara bersama-sama. Dalam menentukan association rule, terdapat suatu interestingness measure (ukuran kepercayaan), yaitu support dan confidence. Penelitian ini, dengan menggunakan minimum suport 0,05 dan minimum confidence 0,9 menghasilkan 21 rule yang dapat digunakan sebagai strategi pemasaran PT. HAB.Kata Kunci: Algoritma FP-Growth, Strategi Pemasaran, Ritel Hidroponik.

scholarly journals Market Basket Analysis untuk Swalayan KSU Sumber Makmur dengan Algoritma FP Growth

2021 ◽  
Vol 2 (1) ◽  
pp. 34-39
Author(s):  
Ramadhan Ramadhan ◽  
Esther Irawati Setiawan
Keyword(s):  
Data Mining ◽  
Frequent Itemset ◽  
Frequent Pattern ◽  
Market Basket Analysis ◽  
Market Basket ◽  
Pattern Growth ◽  
Association Data

Salah satu teknik data mining yang populer digunakan adalah association data mining atau yang biasa disebut dengan istilah market basket analysis. Market basket didefinisikan sebagai suatu itemset yang dibeli secara bersamaan oleh pelanggan dalam suatu transaksi. Market basket analysis adalah suatu sarana untuk meningkatkan penjualan. Metode ini dimulai dengan mencari sejumlah frequent itemset dan dilanjutkan dengan pembentukan aturan-aturan asosiasi. Algoritma Apriori dan frequent pattern growth adalah dua algoritma yang sangat populer untuk menemukan sejumlah frequent itemset dari data-data transaksi yang tersimpan dalam basis data. Dalam penelitian ini algoritma frequent pattern growth (FP Growth) digunakan untuk menemukan sejumlah aturan asosiasi dari basis data transaksi penjualan di Swalayan KSU Sumber Makmur (Trenggalek). Dari hasil pengolahan data didapatkan pola pembelian paling kuat berupa jika membeli pasta gigi maka dimungkinkan juga akan membeli sabun dan jika membeli shampo juga akan membeli sabun dengan tingkat keyakinan (confidence) 63% dan 62%.

scholarly journals Association Rules Analysis on FP-Growth Method in Predicting Sales

2017 ◽  
Author(s):  
Andysah Putera Utama Siahaan ◽  
Mesran Mesran ◽  
Andre Hasudungan Lubis ◽  
Ali Ikhwan ◽  
Supiyandi
Keyword(s):  
Data Mining ◽  
Association Rules ◽  
Frequent Itemset ◽  
Frequent Pattern ◽  
Data Set ◽  
Pattern Processing ◽  
Large Databases ◽  
Growth Method ◽  
Association Rules Analysis ◽  
A Company

Sales transaction data on a company will continue to increase day by day. Large amounts of data can be problematic for a company if it is not managed properly. Data mining is a field of science that unifies techniques from machine learning, pattern processing, statistics, databases, and visualization to handle the problem of retrieving information from large databases. The relationship sought in data mining can be a relationship between two or more in one dimension. The algorithm included in association rules in data mining is the Frequent Pattern Growth (FP-Growth) algorithm is one of the alternatives that can be used to determine the most frequent itemset in a data set.

Sign in / Sign up

Export Citation Format

Share Document