scholarly journals Association Rule Integrasi Pendekatan Metode Custom Hashing dan Data Partitioning untuk Mempercepat Proses Pencarian Frekuensi Item-set pada Algoritma Apriori

2020 ◽  
Vol 20 (1) ◽  
pp. 149-158
Author(s):  
Moch. Syahrir ◽  
Fatimatuzzahra Fatimatuzzahra
Keyword(s):  
Data Mining ◽  
Association Rule ◽  
Data Partitioning ◽  
Frequent Pattern ◽  
Frequent Pattern Tree

Data mining dengan peran asosiasi sudah banyak digunakan oleh dunia usaha, salah satu algoritma yang sering digunakan untuk aturan asosiasi adalah apriori. Namun apriori memiliki kelemahan dalam hal performa, karena pada setiap penentuan frequent k-itemset harus melakukan scan database. Hal ini akan menjadi masalah apabila kandidat k-itemset memiliki dimensi yang banyak. proses scan database yang besar akan memakan waktu yang lama dan berpengaruh pada penggunaan memori dan prosesor. Apriori sudah sering dikembangkan, salah satu yang populer adalah Frequent Pattern (fp-growth), apriori dan fp-growth sama-sama merupakan algoritma untuk aturan asosiasi, hanya saja fp-growth menggunakan pendekatan yang berbeda dengan apriori yakni menggunakan pendekatan Frequent Pattern Tree (fp-tree). Meski fp-growth memiiki performa yang bagus ketika scan database namun rules yang di hasilkan oleh fp-growth tidak sebaik yang di hasilkan oleh apriori. Alternatif lain yang bisa digunakan adalah metode hashing, hal ini bisa menjadi solusi untuk mengatasi masalah dalam proses pencarian dan penentuan frequent k-itemset, sehingga proses scan database bisa lebih cepat. Tujuan penelitian adalah memperbaiki kinerja apriori dalam proses pencarian frekuensi itemset sehingga waktu scan database bisa lebih cepat

scholarly journals Advanced Data Mining of SSD Quality Based on FP-Growth Data Analysis

2021 ◽  
Vol 11 (4) ◽  
pp. 1715
Author(s):  
Jieh-Ren Chang ◽  
You-Shyang Chen ◽  
Chien-Ku Lin ◽  
Ming-Fu Cheng
Keyword(s):  
Data Mining ◽  
Customer Service ◽  
Flash Memory ◽  
Association Rule ◽  
Production Control ◽  
Frequent Pattern ◽  
Nand Flash ◽  
Growth Data ◽  
Nand Flash Memory ◽  
Service Strategy

Storage devices in the computer industry have gradually transformed from the hard disk drive (HDD) to the solid-state drive (SSD), of which the key component is error correction in not-and (NAND) flash memory. While NAND flash memory is under development, it is still limited by the “program and erase” cycle (PE cycle). Therefore, the improvement of quality and the formulation of customer service strategy are topics worthy of discussion at this stage. This study is based on computer company A as the research object and collects more than 8000 items of SSD error data of its customers, which are then calculated with data mining and frequent pattern growth (FP-Growth) of the association rule algorithm to identify the association rule of errors by setting the minimum support degree of 90 and the minimum trust degree of 10 as the threshold. According to the rules, three improvement strategies of production control are suggested: (1) use of the association rule to speed up the judgment of the SSD error condition by customer service personnel, (2) a quality strategy, and (3) a customer service strategy.

scholarly journals Penerapan Data Mining Apriori Pada Persediaan Obat (Studi Kasus Apotek Rafif Farma Medan)

2019 ◽  
Vol 3 (2) ◽  
pp. 115
Author(s):  
Mardiah Mardiah
Keyword(s):  
Data Mining ◽  
Phase Analysis ◽  
Customer Service ◽  
Association Rule ◽  
High Frequency ◽  
A Priori ◽  
Inventory Systems ◽  
Frequent Pattern ◽  
Apriori Algorithm ◽  
Analysis Algorithm

<span><em>The importance of inventory systems at a pharmacy and the type of goods which</em><br /><span><em>are a top priority that must be in stock. It is useful to anticipate the void stuff. Due to the</em><br /><span><em>lack of inventory may affect customer service and asset to the pharmacy. Therefore, this</em><br /><span><em>study was conducted to help resolve those problems by designing a data mining</em><br /><span><em>application that serves to predict sales of the drug is needed most knowable a priori</em><br /><span><em>algorithm with the help of Tools Tanagra. One of the interesting association analysis</em><br /><span><em>phase analysis algorithm that generates a high frequency patterns (frequent pattern</em><br /><span><em>mining).</em><br /><span><em>Keywords: Data Mining, Apriori Algorithm, Association Rule</em></span></span></span></span></span></span></span></span><br /><br class="Apple-interchange-newline" /></span>

Stellar spectra association rule mining method based on the weighted frequent pattern tree

2013 ◽  
Vol 13 (3) ◽  
pp. 334-342 ◽  
Author(s):  
Jiang-Hui Cai ◽  
Xu-Jun Zhao ◽  
Shi-Wei Sun ◽  
Ji-Fu Zhang ◽  
Hai-Feng Yang
Keyword(s):  
Association Rule ◽  
Association Rule Mining ◽  
Frequent Pattern ◽  
Mining Method ◽  
Rule Mining ◽  
Stellar Spectra ◽  
Frequent Pattern Tree

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 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.

scholarly journals Mining of High Value Item Sets with Negative Utility

2019 ◽  
Vol 8 (9) ◽  
pp. 3489-3493
Keyword(s):  
Data Mining ◽  
Association Rule ◽  
Pattern Mining ◽  
Frequent Pattern Mining ◽  
User Preferences ◽  
Frequent Pattern ◽  
Rule Mining ◽  
Utility Mining ◽  
Real World Application ◽  
Frequent Items

The patterns generated by frequent pattern mining aims to find the frequent items without considering the utilities of the different items. The traditional association rule mining treats all items to be of equal utility. This is not always the case for a real world application. Utility based data mining is a new area of research and is complementing the frequency based approach. The main objective of Utility Mining is to identify the item sets with highest utilities, by considering profit, quantity, cost or other user preferences as the Utility of the item. Recent approaches developed so far considers the utilities of items to be same over a particular period of time. In our approach we have proposed that the utility of items vary over a period of time. Our work also proposed that the utility of items may also assume negative values. Our work thus treats the data mining in more realistic manner

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%.

Sign in / Sign up

Export Citation Format

Share Document