Data Mining Dengan Algoritma Apriori Pada RDBMS Oracle

Abstract

Data mining merupakan proses analisis data menggunakan perangkat lunak untuk menemukan pola dan aturan (rules) dalam himpunan data. Data mining dapat menganalisis data yang besar untuk menemukan pengetahuan guna mendukung pengambilan keputusan. Dalam penelitian ini akan dibahas Association Rule sebagai salah satu fungsi data mining yang diimplementasikan menggunakan Algoritma Apriori. Akan dianalisis pula dua teknik penghitungan support di candidate generation pada Algoritma Apriori, yakni : K-way dan 2 Group-By pada tiga sampel dataset dengan atribut transaksi id dan item. Pada penelitian ini terlihat bahwa permasalahan penghitungan support di candidate generation merupakan bottleneck dari Algoritma Apriori dimana perbaikan Algoritma Apriori ditekankan pada candidate generation dan efektivitas dari Algoritma Apriori. Penelitian ini dilakukan pada RDBMS Oracle dengan memanfaatkan tools TKPROF untuk mengukur performansi query berdasarkan operasi I/O pada penghitungan support di candidate generation. Hasil penelitian membuktikan bahwa metode support counting K-way lebih baik daripada Two Group-by.Kata Kunci : Data Mining, Association Rule, Algoritma Apriori, candidate generation, K-way, 2 Group-By

Impelementasi Algoritma Regresi Linier Berganda Untuk Prediksi Penjualan

“…Penggalian data juga bisa diartikan sebagai pencarian informasi baru yang di daapatkan dari data dalam jumlah besar, untuk membantu dalam pengambilan keputusan [6]. Data mining adalah suatu kegiatan yang mendukung dalam pemilihan keputusan yang mana kita mencari pola informasi dalam data, proses pencarian ini dapat dilakukan oleh pengguna dengan bantuan suatu aplikasi yang secara otomatis dapat mencari pola informasi dari basis data [7].…”

Implementasi Algoritma Apriori Untuk Menentukan Persediaan Spare Part Compressor

“…Algoritma apriori adalah algoritma pengambilan data dengan aturan asosiatif (Association rule) untuk menentukan hubungan asosiatif suatu kombinasi item [4]. Ada dua pengukuran penting untuk sebuah rule yaitu support dan confidence [6]. Support adalah suatu ukuran yang menunjukkan seberapa besar tingkat dominasi suatu item atau itemset dari keseluruhan transaksi [7], untuk menghitung support 1 item set bisa menggunakan persamaan sebagai berikut [4]:…”

Penerapan Metode Association Rule Mining Pada Data Transaksi Penjualan Produk Kartu Perdana Kuota Internet Menggunakan Algoritma Apriori

“…Aturan asosiasi sendiri terdapat beberapa penggunaan algoritma diantaranya menggunakan, algoritma fpgrowth, algoritma apriori, algoritma fuzy c-covering, dan algoritma hash-based dimana masing-masing algoritma memiliki berbagai kelebihan dan kekurangan [3]. Algoritma apriori, menurut beberapa peneliti termasuk salah satu algoritma yang banyak digunakan tahap analisis asosiasi untuk menghasilkan algoritma yang efisien dalam analisis pola frekuensi tinggi [4]. Salah satunya penelitian yang dilakukan oleh Ristianingrum dan Sulastri menjelaskan tentang analisis data transaksi penjualan untuk membantu menghasilkan pola transaksi dari konsumen, sehingga hasilnya dapat diketahui informasi produk dan jasa apa saja yang sering muncul dan diminati konsumen dengan mengimplementasikan data mining menggunakan algoritma apriori [5].…”

“…Support atau nilai penunjang merupakan persentase kombinasi item dalam database, sedangkan confidence atau nilai kepastian adalah kuatnya hubungan antar-item dalam aturan asosiasi. Dari dua tolak ukur tersebut maka algoritma apriori dapat digunakan untuk membantu pengembangan strategi pemasaran [4].…”