scholarly journals Analisis Rekomendasi Produk Menggunakan Algoritma ECLAT Berdasarkan Riwayat Data Penjualan PT XYZ

2021 ◽  
Vol 3 (2) ◽  
pp. 395-411
Author(s):  
Auzan Widyan ◽  
Anief Fauzan Rozi
Keyword(s):  
Data Mining ◽  
Equivalence Class ◽  
Frequent Itemset ◽  
Minimum Support

PT XYZ merupakan perusahaan yang menyediakan sarana produksi peternakan. Tranksaksi penjualan dicatat sebagai arsip perusahaan, laporan penjualan, dan laporan laba rugi. Lebih dari 1.500 lembar faktur tercetak setiap bulan. Namun, dalam hal promosi produk, belum menggunakan hasil analisis dari riwayat transaksi penjualan. Penelitian ini bertujuan untuk memberikan rekomendasi produk menggunakan algoritma ECLAT. Algoritma ECLAT (Equivalence Class Transformation) menggunakan konsep pencarian depth-first untuk menemukan itemset yang sering muncul dalam transaksi. Langkah penelitian, yaitu wawancara untuk akuisisi data, pra-pemrosesan data, transformasi data, dan proses data mining dengan algoritma ECLAT untuk menemukan frequent itemset dan menggunakan hasil frequent itemset sebagai basis pembuatan pola aturan asosiasi. Hasil analisis menujukkan bahwa sistem dapat memberikan rekomendasi aturan asosiasi secara efektif dari 14.617 riwayat transaksi. Minimum support tertinggi yang dapat digunakan untuk menemukan kombinasi k-itemset adalah 1%. Hasil aturan asosiasi pertahun dari riwayat transaksi tahun 2018-2020 menunjukkan perbedaan hasil dengan ragam terbanyak terjadi tahun 2020, yaitu 5 aturan asosiasi. Setiap aturan asosiasi yang muncul memiliki nilai confidence yang kuat yakni di atas 50%.

scholarly journals Implementasi Data Mining Menggunakan Algoritma Apriori Pada Penjualan Suku Cadang Motor

2021 ◽  
Vol 14 (2) ◽  
pp. 125
Author(s):  
Ainul Mardiaha ◽  
Yulia Yulia
Keyword(s):  
Data Mining ◽  
Association Rules ◽  
Association Rule ◽  
A Priori ◽  
Spare Parts ◽  
Frequent Itemset ◽  
Sales Data ◽  
Minimum Support ◽  
Relationship Of

This research was carried out to simplify or assist Candra Motor workshop owners in managing data and archives of motorcycle parts sales by applying a data mining a priori algorithm method. Data mining is an operation that uses a particular technique or method to look for different patterns or shapes in a selected data. Sales data for a year with the number of 15 items selected using the priori algorithm method. A priori algorithm is an algorithm for taking data with associative rules (association rule) to determine the associative relationship of an item combination. In a priori algorithm, it is determined frequent itemset-1, frequent itemset-2, and frequent itemset-3 so that the association rules can be obtained from previously selected data. To obtain the frequent itemset, each selected data must meet the minimum support and minimum confidence requirements. In this study using minimum support ? 7 or 0.583 and minimum confidence of 90%. So that some rules of association were obtained, where the calculation of the search for association rules manually and using WEKA software obtained the same results.By fulfilling the minimum support and minimum confidence requirements, the most sold spare parts are inner tube, Yamaha oil and MPX oil.

Analisis Transaksi Konsumen Bidang Data Mining Menggunakan Algoritma Apriori Untuk Rekomendasi Bundling Produk Pada 212 Mart Kota Lhokseumawe

JURNAL TIKA ◽  
2021 ◽  
Vol 6 (02) ◽  
pp. 92-98
Author(s):  
Mutasar Mutasar ◽  
Chaeroen Niesa
Keyword(s):  
Data Mining ◽  
Association Rule ◽  
Frequent Itemset ◽  
Minimum Support

212 Mart Lhokseumawe yang bernaung di bawah PT. Syirkah Mubarakah Lhokseumawe adalah sebuah usaha ritel yang baru saja dirintis. Dalam operasionalnya masih banyak kendala yang dihadapi sehingga omzet penjualan harian masih jauh dari yang diharapkan, namun peneliti ingin menawarkan sebuah solusi untuk meningkatkan penjualan produk dengan teknik Bundling Produk yang masih diterapkan secara konvensional. Tujuan dari penelitian ini adalah merancang dan membangun sebuah aplikasi data mining untuk memprediksi hasil penjualan barang yang diminati konsumen pada 212Mart Kota Lhokseumawe dengan menggunakan algoritma apriori berdasarkan data transaksi penjualan. Algoritma Apriori adalah salah suatu algoritma yang melakukan pencarian frequent itemset dengan menggunakan teknik association rule. Algoritma Apriori menggunakan pengetahuan frekuensi atribut yang telah diketahui sebelumnya untuk memproses informasi selanjutnya. Pada algoritma Apriori menentukan kandidat yang mungkin muncul dengan cara memperhatikan minimum support dan minimum confidence. Implementasi dari hasil pengolahan data transaksi penjualan diproses dengan algoritma apriori sehingga akan menghasilkan sebuah output penawaran Bundling Barang kepada konsumen dan menawarkan harga yang relative lebih ekonomis. Proses data mining ini melalui tahapan pengenalan pola perilaku dan transaksi konsumen pada 212 Mart Kota Lhokseumawe

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 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 A study of frequent itemset mining techniques

2017 ◽  
Vol 6 (4) ◽  
pp. 141
Author(s):  
Sachin Sharma ◽  
Shaveta Bhatia
Keyword(s):  
Data Mining ◽  
Association Rules ◽  
Frequent Itemset ◽  
Frequent Itemset Mining ◽  
Minimum Threshold ◽  
Minimum Support ◽  
Itemset Mining ◽  
Frequent Item ◽  
Frequent Item Sets ◽  
Different Sources

Frequent item set is the most crucial and expensive task for the industry today. It is the task of mining the information from different sources and a key approach in Data Mining. Frequent item sets satisfying the minimum threshold can be discovered. Association rules are extracted from frequent item sets. The Association rules are affected by the minimum support value entered by the user may be considered as Positive or negative. There may be some other Association rules, which involve the rare item sets. Various methods have been used by researchers for generating the Association Rules. In this paper, our aim is to study various techniques to generate the Association rules.

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 Implementasi Data Mining Untuk Menentukan Pola Penyebab Kecelakaan Lalu Lintas Di Wilayah Kota Palembang Menggunakan Algoritma FP-Growth

2020 ◽  
Vol 1 (2) ◽  
pp. 97-109
Author(s):  
Fathan Pangestu ◽  
Andri Andri
Keyword(s):  
Data Mining ◽  
Traffic Accidents ◽  
Weather Conditions ◽  
Minimum Support ◽  
City Area ◽  
Road Geometry ◽  
Sunny Weather ◽  
Motorized Vehicles ◽  
The City ◽  
Confidence Value

Palembang City is one of the big cities in Indonesia. Along with the increasing population and the increasing number of motorized vehicles, it will certainly have an impact on the increasing number of traffic accidents in the city of Palembang. In this study, the writer will determine the pattern of traffic accidents by using the fp-growth algorithm and using various variables. The variables that will be used consist of weather, time of incident, road geometry, profession, level of injury. This research is expected to be a reference for the police to be able to take anticipatory measures in order to reduce the number of traffic accidents in the Palembang City area. The fp-growth algorithm can be applied properly to determine the pattern of the causes of traffic accidents in the city of Palembang by using 2 minimum support of 40% and 50% and 2 minimum confidence of 70% and 90%. Based on the resulting rules, there are rules with the highest confidence value of 98% with these rules: When an accident occurs with a Side-Side accident type, the accident occurs in sunny weather conditions

Comparative Analysis of Apriori and ECLAT Algorithm for Frequent Itemset Data Mining

2021 ◽  
pp. 489-497
Author(s):  
M. Soumya Krishnan ◽  
Aswin S. Nair ◽  
Joel Sebastian
Keyword(s):  
Data Mining ◽  
Comparative Analysis ◽  
Frequent Itemset

Security and Verification of Server Data Using Frequent Itemset Mining in Ecommerce

2017 ◽  
Vol 8 (1) ◽  
pp. 31-43
Author(s):  
Zuber Shaikh ◽  
Antara Mohadikar ◽  
Rachana Nayak ◽  
Rohith Padamadan
Keyword(s):  
Data Mining ◽  
Frequent Itemsets ◽  
Frequent Itemset ◽  
Graphical Password ◽  
Itemset Mining ◽  
Frequent Item ◽  
Data Mining Algorithms ◽  
Shoulder Surfing ◽  
Mining Algorithms ◽  
Frequent Item Sets

Frequent itemsets refer to a set of data values (e.g., product items) whose number of co-occurrences exceeds a given threshold. The challenge is that the design of proofs and verification objects has to be customized for different data mining algorithms. Intended method will implement a basic idea of completeness verification and authentication approach in which the client will uses a set of frequent item sets as the evidence, and checks whether the server has missed any frequent item set as evidence in its returned result. It will help client detect untrusted server and system will become much more efficiency by reducing time. In authentication process CaRP is both a captcha and a graphical password scheme. CaRP addresses a number of security problems altogether, such as online guessing attacks, relay attacks, and, if combined with dual-view technologies, shoulder-surfing attacks.

Closed-Itemset Incremental-Mining Problem

2011 ◽  
pp. 150-153
Author(s):  
Luminita Dumitriu
Keyword(s):  
Association Rules ◽  
Frequent Itemsets ◽  
Frequent Itemset ◽  
Incremental Mining ◽  
Minimum Support ◽  
Confidence Threshold ◽  
Support Threshold ◽  
Mining Association Rules

Association rules, introduced by Agrawal, Imielinski and Swami (1993), provide useful means to discover associations in data. The problem of mining association rules in a database is defined as finding all the association rules that hold with more than a user-given minimum support threshold and a user-given minimum confidence threshold. According to Agrawal, Imielinski and Swami, this problem is solved in two steps: 1. Find all frequent itemsets in the database. 2. For each frequent itemset I, generate all the association rules I’ÞI\I’, where I’ÌI.

Sign in / Sign up

Export Citation Format

Share Document