scholarly journals Implementasi Perbandingan Algoritma Apriori Dan FP-Growth Untuk Mengetahui Pola Pembelian Konsumen Pada Produk Panel Di PT Surya Multi Perkasa Movinko

2021 ◽  
Vol 6 (2) ◽  
pp. 8-13
Author(s):  
Diego Armando Pratama Putra ◽  
Tresna Maulana Fahrudin ◽  
Natalia Damastuti

Beberapa perusahaan belum banyak memanfaatkan data transaksi pembelian konsumen sebagai salah satu strategi penjualannya, data transaksi ini meliputi barang apa saja yang sering dibeli oleh konsumen dalam satu transaksi pembelian pada struk dan waktu yang berbeda.  Jika data transaksi tersebut dianalisis dan digali lebih mendalam, maka perusahaan mendapatkan suatu insight berupa analisis pola pembelian konsumen dan menguntungkan bagi perusahaan. Pada penelitian ini dilakukan analisis data transaksi pembelian konsumen menggunakan perbandingan algoritma Apriori dan FP-Growth, dimana keduanya merupakan kelompok Metode Association Rule yang bertujuan untuk mengetahui pola pembelian konsumen. Data yang digunakan pada penelitian ini diperoleh dari data transaksi pembelian produk panel pada PT Surya Multi Perkasa Movinko. Data transaksi tersebut terdiri dari 23 jenis item produk dan 492 transaksi. Hasil eksperimen dari penelitian ini menunjukkan bahwa kinerja terbaik algoritma Apriori dengan support factor sebesar 0.0054 dan confidence factor sebesar 0.30 menghasilkan 12 aturan asosiasi, sedangkan kinerja terbaik algoritma FP-Growth dengan support factor sebesar 2 dan confidence factor sebesar 0.7 menghasilkan 9 aturan asosiasi.

2015 ◽  
Vol 6 (2) ◽  
Author(s):  
Rizal Setya Perdana ◽  
Umi Laili Yuhana

Kualitas perangkat lunak merupakan salah satu penelitian pada bidangrekayasa perangkat lunak yang memiliki peranan yang cukup besar dalamterbangunnya sistem perangkat lunak yang berkualitas baik. Prediksi defectperangkat lunak yang disebabkan karena terdapat penyimpangan dari prosesspesifikasi atau sesuatu yang mungkin menyebabkan kegagalan dalam operasionaltelah lebih dari 30 tahun menjadi topik riset penelitian. Makalah ini akandifokuskan pada prediksi defect yang terjadi pada kode program (code defect).Metode penanganan permasalahan defect pada kode program akan memanfaatkanpola-pola kode perangkat lunak yang berpotensi menimbulkan defect pada data setNASA untuk memprediksi defect. Metode yang digunakan dalam pencarian polaadalah memanfaatkan Association Rule Mining dengan Cumulative SupportThresholds yang secara otomatis menghasilkan nilai support dan nilai confidencepaling optimal tanpa membutuhkan masukan dari pengguna. Hasil pengujian darihasil pemrediksian defect kode perangkat lunak secara otomatis memiliki nilaiakurasi 82,35%.


Sign in / Sign up

Export Citation Format

Share Document