DATA MINING PREDIKSI PRODUKSI SPANDUK...
Transcript of DATA MINING PREDIKSI PRODUKSI SPANDUK...
Artikel Skripsi Universitas Nusantara PGRI Kediri
Dita Kusuma Prabawanti | 13.1.03.02.0270 Teknik – Teknik Informatika
simki.unpkediri.ac.id || 1||
ARTIKEL
DATA MINING PREDIKSI PRODUKSI SPANDUK MENGGUNAKAN ALGORITMA APRIORI
Oleh:
Dita Kusuma Prabawanti
13.1.03.02.0270
Dibimbing oleh :
1. Intan Nur Farida, M.Kom.
2. Ratih Kumalasari N, S.ST.,M.Kom.
PROGRAM STUDI
FAKULTAS
UNIVERSITAS NUSANTARA PGRI KEDIRI
2018
Artikel Skripsi Universitas Nusantara PGRI Kediri
Dita Kusuma Prabawanti | 13.1.03.02.0270 Teknik – Teknik Informatika
simki.unpkediri.ac.id || 2||
Artikel Skripsi Universitas Nusantara PGRI Kediri
Dita Kusuma Prabawanti | 13.1.03.02.0270 Teknik – Teknik Informatika
simki.unpkediri.ac.id || 3||
DATA MINING PREDIKSI PRODUKSI SPANDUK MENGGUNAKAN
ALGORITMA APRIORI
Dita Kusuma Prabawanti 13.1.03.02.0270
Teknik- Teknik Informatika [email protected]
Intan Nur Farida,.Kom.dan Ratih Kumalasari N, S.ST.,M.Kom UNIVERSITAS NUSANTARA PGRI KEDIRI
ABSTRAK KATA KUNCI : Data Mining, Algoritma Apriori, Prediksi
Penelitian ini dilatar belakangi hasil penelitian, bahwa Prediksi produksi sering terjadi dan itu dapat terjadi kapan saja. Perubahannya dapat terjadi dalam waktu satu bulan.
Penelitian ini menggunakan pendekatan Penelitian Rekayasa Teknologi Informasi
dengan subyek penelitian data rencana kerja Prediksi Produksi pada CV.Libra Nganjuk. Penelitian dilaksanakan dengan mengolah data rencana kerja tahun 2018.
Pada penelitian ini data semakin lama akan bertambah semakin banyak. Jika di
biarkan saja, maka data-data transaksi tersebut hanya menjadi sampah yang tidak berarti. Dengan adanya dukungan perkembangan teknologi semakin berkembang pula kemampuan dalam mengumpulkan dan mengolah data.
Data mining sering juga disebut knowledge discovery in database (KDD), adalah
kegiatan yang meliputi pengumpulan, pemakaian, data historis untuk menentukan keteraturan, pola atau hubungan dalam set data yang berukuran besar. Keluaran dari data mining bisa dipakai untuk memperbaiki pengambilan keputusan dimasa depan.
Artikel Skripsi Universitas Nusantara PGRI Kediri
Dita Kusuma Prabawanti | 13.1.03.02.0270 Teknik – Teknik Informatika
simki.unpkediri.ac.id || 4||
1. LATAR BELAKANG
Dalam penentuan jumlah produksi
spanduk, dilihat dari jenis bahan yang
digunakan, banyaknya tinta yang dipakai
dan ukuran yang dari spanduk yang ingin
dicetak, kemudian dapat ditetapkan
hargadan jumlah spanduk yang akan
diproduksi. Adanya kegiatan operasional
sehari-hari data semakin lama akan
bertambah semakin banyak. Jika
dibiarkan saja, maka data-data transaksi
tersebuthanya menjadi sampah yang
tidak berarti. Dengan adanya dukungan
perkembangan teknologi, semakin
berkembang pula kemampuan dalam
mengumpulkandan mengolah data.
Pemanfaatan informasi dan pengetahuan
yang terkandung di dalam banyaknya
data tersebut, pada saat ini disebut
dengan datamining. Data mining adalah
serangkaian proses untuk menggali nilai
tambah dari suatu kumpulan data berupa
pengetahuan yang selama ini tidak
diketahuisecara manual dari suatu
sekumpulan data. Data mining juga
sering disebut juga sebagai
knowledgediscovery in database (KKD).
KKD adalah kegiatan yang meliputi
pengumpulan, pemakaian data,
historiuntuk menemukan keteraturan,
pola hubungan data set berukuran besar.
Untuk mendapatkan informasi
tentangasosiasi antar produk dari suatu
database transaksi,penulis menggunakan
algoritma apriori. Algoritmaapriori
adalah algoritma market basket analysis
yangdigunakan untuk menghasilkan
association rule,dengan pola “if-then”
atau “jika-maka”. Marketbasket analysis
merupakan salah satu teknik dari
datamining yang digunakan untuk
menyelesaikanmasalah perkiraan
produksi barang seperti spanduk.
2. METODE
Algoritma Apriori
Berdasarkan Jurnal (Efori Buulolo,
2013) Algoritma apriori adalah algoritma
paling terkenal untuk menemukan pola
frekuensi tinggi. Pola frekuensi tinggi
adalah pola-pola item di dalam suatu
database yang memiliki frekuensi atau
support di atas ambang batas tertentu
yang disebut dengan istilah minimum
support. Algoritma apriori dibagi
menjadi beberapa tahap yang disebut
iterasi atau pass yaitu:
1. Pembentukan kandidat itemset ,
kandidat kitemsetdibentuk dari kombinasi
(k-1)-itemset yang didapat dari iterasi
Artikel Skripsi Universitas Nusantara PGRI Kediri
Dita Kusuma Prabawanti | 13.1.03.02.0270 Teknik – Teknik Informatika
simki.unpkediri.ac.id || 5||
sebelumnya. Satu cara dari algoritma
apriori adalah adanyapemangkasan
kandidat k-itemset yang subset-nyayang
berisi k-1 item tidak termasuk dalam pola
frekuensi tinggi dengan panjang k-1.
2. Penghitungan support dari tiap
kandidat kitemset.Support dari tiap
kandidat k-itemset didapat dengan
menscan database untukmenghitung
jumlah transaksi yang memuatsemua item
di dalam kandidat k-itemset tersebut.Ini
adalah juga ciri dari algoritma apriori
dimanadiperlukan penghitungan dengan
scan seluruhdatabase sebanyak k-itemset
terpanjang.
3. Tetapkan pola frekuensi tinggi. Pola
frekuensitinggi yang memuat k item atau
k-itemsetditetapkan dari kandidat k-
itemset yangsupportnya lebih besar dari
minimum support.
4. Bila tidak didapat pola frekuensi
tinggi barumaka seluruh proses
dihentikan. Bila tidak, makak ditambah
satu dan kemabali ke bagian 1.
Sensue, Indra , Dana (2012). Penerapan
Metode Datamining Market Basket
Analysis Terhadap Data Penjualan
Produk Buku Dengan Menggunakan
Algoritma Apriori Dan Frequent Pattern
Growth (FPGrowth): Studi Kasus
Percetakan PT.Gramedia,121-122)
a. Flowchart Algoritma Apriori
ya
tidak tidak
ya
Pada flowchart di atas dapat
dijelaskan proses algoritma aprioriadalah
sebagai berikut:
1. Start
2. Minimal support untuk menentukan
frequentitemset. Itemset yang nilai
Support-nya memenuhi parameter
thresholt minimum support (min_sup)
masuk dalam frequentitemset.
3. candidate k-itemset (Ck) : calon k-
itemset dari data transaksi.
4. Menghitung candidate yang
memenuhi 1 itemsetdan
membandingkan dengan minimum
sup dan menentukan Lk-1 itemset.
Mu
Minimum suppo
Cari candidate 1
itemset
Memenuhi
i?
Join untuk hitung
candidate (k-1)
Bandingkan dengan minimum sup dan tentukan frequent (k-1) itemset
Masih bisa ?
Hasil proses
Sel
Artikel Skripsi Universitas Nusantara PGRI Kediri
Dita Kusuma Prabawanti | 13.1.03.02.0270 Teknik – Teknik Informatika
simki.unpkediri.ac.id || 6||
5. Itemset: himpunan item-item yang ada
dalam transaksi.
6. k-itemset : itemset yang berisi k item.
Misalnya: {satin,fleksi} adalah sebuah
2-itemset.
7. Frequent k-itemset (Lk) : itemset yang
memiliki frekuensi kemunculan lebih
dari nilai minimum yang telah
ditentukan.
5. HASIL DAN KESIMPULAN
a. Tampilan Olah Data
Berikut ini adalah hasil data
transaksi barang keluar yang akan hitung
dalam program
Gambar 3.1 Form Olah Data
Form olah data berisi support,
confidence, bulan dan tahunyang akan
menampilkan itemset. Userharus
memasukkan min sup dan min cof.
b. Tampilan Hasil Prediksi Produksi
Spanduk
Berikut ini adalah hasil prediksi
produksi setelah memasukkan support
3%dan confidence70% dalam program
Gambar 3.2. Hasil Prediksi Produksi
Spanduk Bulan November
Berdasarkan hasil dari prediksi
produksi spanduk pada bulan November
pimpinan dapat memperbanyak bahan
dari jenis spanduk yangpaling banyak
diproduksi.
Kesimpulan:
1. Data jenis spanduk dapat
dikelompokkan untuk mengetahui
simpulan berdasarkan data Algoritma
Apriori yang telah di tentukan oleh
metode Association Rule sebagai
pendukung untuk menentukan data
produksi spanduk per bulannya.
2. Metode Algoritma Apriori dapat
membantu mengembangkan strategi
produksi spaanduk dan dapat
diterapkan untuk mengetahui produksi
spanduk dalam jangka waktu satu
bulan.
Artikel Skripsi Universitas Nusantara PGRI Kediri
Dita Kusuma Prabawanti | 13.1.03.02.0270 Teknik – Teknik Informatika
simki.unpkediri.ac.id || 7||
6. DAFTAR PUSTAKA
Arif, M, Rudianto. 2011. Pemograman Web Dinamis Menggunakan PHP dan MySQL. Yogyakarta: Andi Publisher.
Buulolo, Efori. 2013. Implementasi Algoritma Apriori Pada Sistem Persediaan Obat Apotik Rumah Sakit. Medan: STMIK Budi Darma.
Badal, N, and Shuruti, T. Frequent Data
Itemset Mining Using VS_Apriori Algorithm. International Journal on Computer Science and Engineering (IJCSE)-VOL.02, No. 04, 2010.Ramon A. Mata Toledo, Pailine K. Cushman.2007. Dasar-dasar Database Relasional. Jakarta: Erlangga
Han, J dan Kamber, M. (2012). Data
Mining Concepts and Techniques Third Edition. Waltham: Morgan Kaufmann Publishers.
Jayan (2010 :2). CSS untuk orang awam.
Palembang: Maxikom Kadir, Abdul. 2002. Structured Query
Language. Yogyakarta: CV. Andi Offset.
Kusuma, Febriani, Winda. 2015.
Pengembangan Halaman Web Menggunakan XML dalam Perkembangan Web 2.0. Jakarta: Jurnal Teknik Informatika Universitas Gunadarma.
Kusrini. 2007. Konsep dan Aplikasi
Sistem Pendukung Keputusan. Yogyakarta: Andi.
Nugroho, Bunafit. 2006. Aplikasi Sistem Pakar dengan PHP dan MySQL dengan Editor Dreamweafer. Yogyakarta: Ardana Media.
Robi, Y dan Riri K. (2015).
Implementasi Data Mining dengan Metode Algoritma Apriori dalam Menentukan Pola Pembelian Obat. Sumatra Selatan: Fakultas Sistem Informasi STMIK Bina Nusantara Jaya Lubuklingau.
Sulhan, Muhammad. 2007.
Pengembangan Aplikasi Berbasis Web dengan PHP dan ASP. Yogyakarta: Gava Media.
Sibero. 2011. HTML (Hyper Text
Markup Language). Yogyakarta: Mediakom.
Sentosa, Sigit. 2009. Creative
Advertising. Jakarta: PT. Elex Media Komputindo.
Shimp, Terece, A (2006). Periklanan
promosi & Aspek Tambahan Komunikasi Pemasaran. Terpadu, Jilid I (edisi 5), Jakarta: Erlangga.
Wicaksono, Yogi. 2008. Membangun
Bisnis Online dengan Mambo. Jakarta: PT. Elex Media Komputindo.
Zuliarso, Eri. 2012. Rancangan Bangun
Sistem Perpustakaan untuk Jurnal Elektronik. Semarang: Universitas Stikubank.