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

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%.

INPLEMENTASI BUSINESS INTELLIGENCE DAN MARKET BASKET ANALYSIS UNTUK ANALISA DATA PENJULAN DI PT. ABC

Ditengah merebaknya kasus pandemi Covid-19 pada tahun 2020 di Indonesia, terjadi perubahan kecenderungan perilaku pelanggan dalam melakukan proses transaksi belanja khususnya pada gerai minimarket. Dengan diberlakukannya pysical distancing, pelanggan dituntut untuk berbelanja seefektif mungkin untuk menghindari penumpukan di dalam gerai. Manajemen perusahaan harus membuat setrategi untuk menyikapi perubahan perilaku dari pelanggan. Pada penelitian ini dikembangkan Business Intelligence dan metode Market Basket Analysis yaitu Apriori untuk menganalisa perilaku pelanggan dengan cara menganalisa riwayat transaksi penjualan. Hasil penelitian menunjukkan dashboard Business Intelligence dapat menampilkan data dalam bentuk grafik dan tabel sehingga memudahkan pengguna dalam proses analisa. Selain itu Association Rule menggunakan metode Apriori menghasilkan nilai support dan confidence sebagai gambaran produk-produk yang saling terkait, sehingga pihak merchendaising dapat dengan mudah membuat keputusan. Hasil pengujian blackbox menunjukkan aplikasi yang dikembangkan dapat diterima oleh pengguna karena semua kebutuhan pengguna dapat diselesaikan oleh aplikasi.

Extending Association Rule Mining to Microbiome Pattern Analysis: Tools and Guidelines to Support Real Applications

Boosted by the exponential growth of microbiome-based studies, analyzing microbiome patterns is now a hot-topic, finding different fields of application. In particular, the use of machine learning techniques is increasing in microbiome studies, providing deep insights into microbial community composition. In this context, in order to investigate microbial patterns from 16S rRNA metabarcoding data, we explored the effectiveness of Association Rule Mining (ARM) technique, a supervised-machine learning procedure, to extract patterns (in this work, intended as groups of species or taxa) from microbiome data. ARM can generate huge amounts of data, making spurious information removal and visualizing results challenging. Our work sheds light on the strengths and weaknesses of pattern mining strategy into the study of microbial patterns, in particular from 16S rRNA microbiome datasets, applying ARM on real case studies and providing guidelines for future usage. Our results highlighted issues related to the type of input and the use of metadata in microbial pattern extraction, identifying the key steps that must be considered to apply ARM consciously on 16S rRNA microbiome data. To promote the use of ARM and the visualization of microbiome patterns, specifically, we developed microFIM (microbial Frequent Itemset Mining), a versatile Python tool that facilitates the use of ARM integrating common microbiome outputs, such as taxa tables. microFIM implements interest measures to remove spurious information and merges the results of ARM analysis with the common microbiome outputs, providing similar microbiome strategies that help scientists to integrate ARM in microbiome applications. With this work, we aimed at creating a bridge between microbial ecology researchers and ARM technique, making researchers aware about the strength and weaknesses of association rule mining approach.

Graph Based Feature Selection for Reduction of Dimensionality in Next-Generation RNA Sequencing Datasets

Analysis of high-dimensional data, with more features () than observations () (), places significant demand in cost and memory computational usage attributes. Feature selection can be used to reduce the dimensionality of the data. We used a graph-based approach, principal component analysis (PCA) and recursive feature elimination to select features for classification from RNAseq datasets from two lung cancer datasets. The selected features were discretized for association rule mining where support and lift were used to generate informative rules. Our results show that the graph-based feature selection improved the performance of sequential minimal optimization (SMO) and multilayer perceptron classifiers (MLP) in both datasets. In association rule mining, features selected using the graph-based approach outperformed the other two feature-selection techniques at a support of 0.5 and lift of 2. The non-redundant rules reflect the inherent relationships between features. Biological features are usually related to functions in living systems, a relationship that cannot be deduced by feature selection and classification alone. Therefore, the graph-based feature-selection approach combined with rule mining is a suitable way of selecting and finding associations between features in high-dimensional RNAseq data.

Implementasi Association Rule Dengan Algoritma Apriori Pada Data Peminjaman Buku Upt Perpustakaan Universitas Lampung Menggunakan Metodologi CRISP-DM

Abstrak - UPT Perpustakaan Universitas Lampung merupakan UPT yang bergerak di bidang perpustakaan. Memiliki dua layanan berdasarkan interaksinya yaitu layanan teknis dan layanan pengguna. Saat ini UPT Perpustakaan Universitas Lampung memiliki buku yang tercetak sebanyak 142.776. Penelitian ini bertujuan menemukan pola association rule dengan teknik data mining memanfaatkan software RapidMiner 9.1 dalam penerapan algoritma Apriori. Metode penelitian Cross Industry Standar Process for Data Mining (CRISP-DM) dengan tahapan business understanding phase, data understanding phase, data preparation, modelling phase, evaluation phase dan deployment phase. Data yang digunakan dalam penelitian ini adalah data transaksi peminjaman buku dari tahun 2014 hingga 2017 dengan total data peminjaman buku sebanyak 170.115. Hasil pemodelan association rule dengan algoritma apriori menggunakan nilai support 0.3 dan nilai confidence 0.3 diperoleh judul buku “Metodologi pengajaran bahasa” akan meminjam “English for tourism :panduan berprofesi di dunia pariwisata” nilai support 1 dan confidence 1. Rekomendasi untuk pembelian buku disarankan mengikuti pattern lampiran hasil asosiasi.Kata kunci: UPT Perpustakaan Universitas Lampung, Data Peminjaman Buku, Data Mining, Association Rule, CRISP-DM.

Fuzzy association rule mining approach to identify e-commerce product association considering sales amount

Online stores assist customers in buying the desired products online. Great competition in the e-commerce sector necessitates technology development. Many e-commerce systems not only present products but also offer similar products to increase online customer interest. Due to high product variety, analyzing products sold together similar to a recommendation system is a must. This study methodologically improves the traditional association rule mining (ARM) method by adding fuzzy set theory. Besides, it extends the ARM by considering not only items sold but also sales amounts. Fuzzy association rule mining (FARM) with the Apriori algorithm can catch the customers’ choice from historical transaction data. It discovers fuzzy association rules from an e-commerce company to display similar products to customers according to their needs in amount. The experimental result shows that the proposed FARM approach produces much information about e-commerce sales for decision-makers. Furthermore, the FARM method eliminates some traditional rules considering their sales amount and can produce some rules different from ARM.