PENENTUAN POLA PENJUALAN KIPAS KAPAL DENGAN MENGGUNAKAN ALGORITM APRIORI

2021 ◽  
Vol 13 (2) ◽  
pp. 109
Author(s):  
Silvia - Lestari
Keyword(s):  
Data Mining ◽  
Knowledge Discovery ◽  
Knowledge Discovery In Database

<p><em>Penelitian ini dilakukan guna untuk mengetahui pola penjualan </em><em>kipas kapal</em><em> pada PT.</em><em>XYZ</em><em> berdasarkan hasil penjualan yang dilakukan setiap harinya. Penelitian ini akan menginformasikan kepada perusahaan barang apa saja yang sering terjual secara bersamaan dan membantu perusahaan untuk menyusun strategi dan solusi untuk </em><em>kipas kapal</em><em> yang sedikit terjual.</em><em> Data Mining merupakan proses pencarian data, penggalian informasi serta pengetahuan yang berasal dari data yang besar yang disebut sebagai Knowledge Discovery in Database disingkat KDD. Penggunaan metode data mining sangat banyak di pergunakan untuk menyelesaikan suatu masalah yang dimana diantaranya dengan menerapkan algoritma </em><em>Apriori </em><em>yang dapat mempermudah pemilik usaha dalam mendapatkan suatu </em><em>pola penjualan</em><em>. Diharapkan dengan menerapkan </em><em>algoritma apriori </em><em>dapat mengetahui pola penjualan </em><em>kipas kapal</em><em> pada PT. </em><em>XYZ</em><em>.</em></p>

Analisis Data Pembayaran Kredit Nasabah Bank Menggunakan Metode Data Mining

2013 ◽  
Vol 4 (1) ◽  
pp. 18-27
Author(s):  
Ira Melissa ◽  
Raymond S. Oetama
Keyword(s):  
Data Mining ◽  
Knowledge Discovery ◽  
Knowledge Discovery In Database

Data mining adalah analisis atau pengamatan terhadap kumpulan data yang besar dengan tujuan untuk menemukan hubungan tak terduga dan untuk meringkas data dengan cara yang lebih mudah dimengerti dan bermanfaat bagi pemilik data. Data mining merupakan proses inti dalam Knowledge Discovery in Database (KDD). Metode data mining digunakan untuk menganalisis data pembayaran kredit peminjam pembayaran kredit. Berdasarkan pola pembayaran kredit peminjam yang dihasilkan, dapat dilihat parameter-parameter kredit yang memiliki keterkaitan dan paling berpengaruh terhadap pembayaran angsuran kredit. Kata kunci—data mining, outlier, multikolonieritas, Anova

Actionable Knowledge Discovery

2011 ◽  
pp. 8-13
Author(s):  
Longbing Cao
Keyword(s):  
Data Mining ◽  
Knowledge Discovery ◽  
Social Intelligence ◽  
Pattern Mining ◽  
Real Life ◽  
Simulated Data ◽  
Business Environment ◽  
Actionable Knowledge ◽  
Real Life Data ◽  
Knowledge Discovery In Database

Actionable knowledge discovery is selected as one of the greatest challenges (Ankerst, 2002; Fayyad, Shapiro, & Uthurusamy, 2003) of next-generation knowledge discovery in database (KDD) studies (Han & Kamber, 2006). In the existing data mining, often mined patterns are nonactionable to real user needs. To enhance knowledge actionability, domain-related social intelligence is substantially essential (Cao et al., 2006b). The involvement of domain-related social intelligence into data mining leads to domaindriven data mining (Cao & Zhang, 2006a, 2007a), which complements traditional data-centered mining methodology. Domain-related social intelligence consists of intelligence of human, domain, environment, society and cyberspace, which complements data intelligence. The extension of KDD toward domain-driven data mining involves many challenging but promising research and development issues in KDD. Studies in regard to these issues may promote the paradigm shift of KDD from data-centered interesting pattern mining to domain-driven actionable knowledge discovery, and the deployment shift from simulated data set-based to real-life data and business environment-oriented as widely predicted.

scholarly journals Design and Implementation of a Generator of Large , Dense ,or Sparse Databases to Test Association Rules Miner

2002 ◽  
Vol 40 (1) ◽  
pp. 25-31
Author(s):  
Hussien Al-Khafaji ◽  
Alaa Al-Hamami ◽  
Abbas F. Abdul-Kader
Keyword(s):  
Data Mining ◽  
Knowledge Discovery ◽  
Association Rules ◽  
Rule Mining ◽  
System Generator ◽  
Qualitative And Quantitative ◽  
Design And Implementation ◽  
Knowledge Discovery In Database ◽  
Mining Algorithms ◽  
Association Rules Discovery

Association rules discovery has emerged as a very important problem in knowledge discovery in database and data mining. A number of algorithms is presented to mine association rules. There are many factors that affect the efficiency of rules mining algorithms, such as largeness, denances, and sparseness of databases used to be mined, in addition to number of items, number and average sizes of transactions, number and average sizes of frequent itemscts, and number and average sizes of potentially maximal itemsets. It is impossible to change present realworld catabase's characteristics to fairly test and determine the best and wurst cases of rule-mining algorithms. to be efficiently used for present and future databases. So the researchers attend to construct artificial database to qualitative and quantitative presence of the above mentioned factors to test the efficiency of rule mining algorithms and programs. The construction of such databases CATmes very large amount of the and efforts. This resent presents a software system, generator, to construct artificial databases.

scholarly journals PENERAPAN ALGORITMA K-MEANS PADA SISWA BARU SEKOLAHMENENGAH KEJURUAN UNTUK CLUSTERING JURUSAN

2017 ◽  
Vol 1 (2) ◽  
pp. 100-105 ◽  
Author(s):  
Fauziah Nur ◽  
M. Zarlis ◽  
Benny Benyamin Nasution
Keyword(s):  
Data Mining ◽  
Text Mining ◽  
Knowledge Discovery ◽  
Naive Bayes ◽  
Naïve Bayes ◽  
Nearest Neighbour ◽  
Knowledge Discovery In Database ◽  
Cluster 2

Data mining merupakan teknik pengolahan data dalam jumlah besar untuk pengelompokan.Teknik ini digunakan dalam proses Knowledge Discovery in Database (KDD). Teknik tersebut mempunyai beberapa metode dalam pengelompokannya Naïve-Bayes dan Nearest Neighbour, pohon keputusan (KD-Tree), ID3, K-Means, text mining dan dbscan. Dalam hal ini penulis mengelompokan data siswa baru sekolah menengah kejuruan tahun ajaran 2014/2015. Pengelompokan tersebut berdasarkan kriteria – kriteria data siswa. Pada penelitian ini, penulis menerapkan algoritma K-Means Clustering untuk pengelompokan data siswa baru sekolah menengah kejuruan. Dalam hal ini, pada umumnya untuk memamasuki jurusan hanya disesuaikan dengan nilai siswa saja namun dalam penelitian ini pengelompokan disesuaikan kriteria – kriteria siswa seperti penghasilan orang tua, tanggungan anak orang tua dan nilai tes siswa. Penulis menggunakan beberapa kriteria tersebut agar pengelompokan yang dihasilkan menjadi lebih optimal. Tujuan dari pengelompokan ini adalah terbentuknya kelompok jurusan pada siswa yang menggunakan algoritma K-Means clustering. Hasil dari pengelompokan tersebut diperoleh tiga kelompok yaitu kelompok tidak lulus, kelompok rekayasa perangkat lunak dan kelompok teknik komputer jaringan. Terdapat pusat cluster  dengan Cluster-1=1.4;2.2;2.2, Cluster-2= 2.28;1.64;4 dan Cluster-3=5;2;6. Pusat cluster tersebut didapat dari beberapa iterasi sehingga mengahasilakan pusat cluster yang optimal.

scholarly journals PENENTUAN ATURAN ASOSIASI PADA TRANSAKSI PEMINJAMAN BUKU MENGGUNAKAN ALGORITMA FP-GROWTH

2018 ◽  
Vol 9 (1) ◽  
pp. 15
Author(s):  
Elwani Elwani
Keyword(s):  
Data Mining ◽  
Knowledge Discovery ◽  
Association Rule ◽  
Knowledge Discovery In Database

<p>Tujuan dari penelitian ini dapat membantu Perpustakaan STMIK – AMIK Dumai untuk mengambil kesimpulan menentukan jenis Buku yang paling banyak diminati oleh mahasiswa. Istilah Data mining dan knowledge discovery in database (KDD) sering kali digunakan secara bergantian untuk menjelaskan proses penggalian informasi tersembunyi dalam suatu basis data yang besar. Penelitian ini dilakukan untuk mempelajari Data mining merupakan proses untuk mendapatkan informasi yang berguna dari gudang basis data yang berupa ilmu pengetahuan. Penelitian ini melakukan analisa data dengan menggunakan Data mining dan metode algoritma FP-Growth dan Tools Rapidminer studio7.3. Algoritma FP-Growth menganalisis data transaksi peminjaman buku untuk mengetahui dalam perpustakaan. Hasil algoritma FP-Growth dapat menemukan rule atau knowledge untuk menganalisa strategi dalam menentukan transaksi peminjaman buku dan dapat digunakan untuk proses ekstraksi rule atau knowledge yang dihasilkan. Association rule adalah salah satu teknik utama dalam Data mining dan merupakan bentuk yang paling umum dipakai dalam menemukan pattern atau poladari suatu kumpulan data. Berdasarkan hasil pengujian dan analisa Assoction Rule menggunakan Algoritma FP-Growth dan Tools Rapidminer Studio 7.3. Jadi jumlah Rules keseluruhan yang telah diproses adalah 7 keputusan atau pengetahuan baru dengan nilai kombinasi 12 jenis buku, nilai Support A (%) terendah adalah 0,143 dengan Confidence ≥ 50 % “Yes” dan ≤ 50 % “No”.</p><p><br /><strong>Kata Kunci</strong>: Knowledge Discovery in Database (KDD), Data mining, Fp-Growth, Association rule,</p>

scholarly journals Algoritma K-Means Untuk Mengelompokkan Suplier Obat (Studi Kasus: RS. Prima Husada Cipta Medan)

2021 ◽  
Vol 5 (1) ◽  
pp. 01
Author(s):  
Fahdin Zikri ◽  
Fina Nasari
Keyword(s):  
Data Mining ◽  
Knowledge Discovery ◽  
Knowledge Discovery In Database

<p><em>Obat merupakan zat yang berasal dari tumbuhan, hewan, mineral maupun zat kimia tertentu yang dapat digunakan untuk mengurangi rasa sakit, memperlambat proses penyakit dan atau menyembuhkan penyakit. Obat-obat yang diterima oleh RS. Prima Husada Cipta Medan merupakan obat yang telah dikirimkan oleh suplier-suplier nya. Dengan banyaknya data tersebut, maka bagian Farmasi RS. Prima Husada Cipta Medan mengalami kesulitan untuk menentukan tingkat pengiriman terhadap masing-masing supplier. Dari permasalahan yang ada, maka penulis ingin menerapkan data mining dengan algoritma K-Means (Clustering) menggunakan aplikasi RapidMiner untuk mengelompokkan data supplier, yang awalnya tidak tersusun/terstruktur bisa menjadi data yang terstruktur, selain itu penggalian informasi pada sebuah data yang berukuran sangat besar (memiliki jumlah field dan jumlah record yang banyak) tidak dapat dilakukan dengan mudah, maka daripada itu teknologi data mining adalah salah satu alat bantu untuk penggalian data berukuran besar dengan tingkat kerumitan yang cukup mudah. Pengolahan data mining yang dilakukan pada penelitian ini menggunakan tahapan Knowledge Discovery in Database (KDD), agar dapat menghasilkan informasi sesuai dengan tahapan yang telah ditentukan. Penelitian ini juga menggunakan tools RapidMiner agar dapat dilakukannya pengujian dengan perhitungan manual dan dengan menggunakan tools RapidMiner. Hasil akhir dari penelitian ini berbentuk informasi mengenai tingkat pengiriman dari para supplier yang terbagi menjadi 3 kelompok pengiriman yaitu tinggi, sedang, dan rendah.</em></p>

Solusi Prediksi Persediaan Barang dengan Menggunakan Algoritma Apriori (Studi Kasus: Regional Part Depo Auto 2000 Palembang)

2019 ◽  
Vol 5 (2) ◽  
pp. 139
Author(s):  
Usman Ependi ◽  
Ade Putra
Keyword(s):  
Data Mining ◽  
Knowledge Discovery ◽  
Data Cleaning ◽  
Spare Part ◽  
Data Selection ◽  
Knowledge Discovery In Database ◽  
Integration Data

Dalam memprediksi persediaan barang banyak metode yang dapat dilakukan antara lain yaitu dengan melakukan pengolahan data penjualan menggunakan metode Data Mining yang disertai dengan algoritma apriori didasarkan pada proses pembelian yang dilakukan oleh konsumen berdasarkan keterkaitan antar produk yang dibeli. Dengan menggunakan algoritma apriori pihak perusahaan dalam hal ini adalah Regional Part Depo Auto 2000 Palembang dapat menyediakan spare part yang dibutuhkan oleh konsumen khususnya dilingkungan Sumatera Selatan tanpa harus melakukan proses indent hal ini dikarenakan banyaknya jumlah spare part yang harus di sediakan oleh PT. Depo Toyota guna melayani kebutuhan konsumen di lingkungan Sumatera Selatan. Adapun tahapan data mining yang di gunakan yaitu Knowledge Discovery in Database (KDD) yang terdiri dari proses data cleaning and integration, data selection and integration, data mining, evaluation and prentation. Dari proses diatas didapat pola keterkaitan spare part sebanyak 646 dari jumlah spare part sebanyak 338.

scholarly journals Model Data Mining sebagai Prediksi Penyakit Hipertensi Kehamilan dengan Teknik Decision Tree

2016 ◽  
Vol 3 (1) ◽  
pp. 19-26 ◽  
Author(s):  
Ari Muzakir ◽  
Rika Anisa Wulandari
Keyword(s):  
Data Mining ◽  
Decision Tree ◽  
Knowledge Discovery ◽  
Model Data ◽  
Test Set ◽  
Knowledge Discovery In Database

Prevalensi hipertensi pada wanita hamil terjadi sebanyak 1.062 kasus (12,7%). Dari 1062 kasus ibu hamil dengan hipertensi, ditemukan 125 kasus (11,8%) yang telah didiagnosis dengan hipertensi oleh tenaga kesehatan. RSIA YK Madira Palembang sebagai pusat kesehatan harus mengembangkan metode yang dapat memprediksi risiko tinggi ibu hamil dengan hipertensi dari data hasil pemeriksaan kehamilan. Dengan memanfaatkan sumber data yang terdiri dari data perawatan antenatal, diterapkan teknik data mining dengan algoritma decision tree C4.5, berdasarkan Knowledge Discovery in Database (KDD). Sehingga akan ditemukan pengetahuan, informasi, dan pola tersembunyi dari data pelayanan antenatal, yang merupakan prediksi hipertensi pada kehamilan. Metode yang digunakan yaitu Algoritma C4.5. Setelah mendapatkan decision tree dan rules yang dapat memprediksi penyakit hipertensi dalam kehamilan, dilakukan evaluasi dengan supplied test set menggunakan WEKA dihasilkan kesalahan (error) 7.3427% dan tingkat akurasi 92.6573%. Data training yang berjumlah 286 instances, hal ini menunjukkan bahwa terdapat 265 instances yang akurat dan 21 instances yang error atau prediksinya salah.

Sign in / Sign up

Export Citation Format

Share Document