DATA MINING PREDIKSI PRODUKSI SPANDUK...

7
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

Transcript of DATA MINING PREDIKSI PRODUKSI SPANDUK...

Page 1: DATA MINING PREDIKSI PRODUKSI SPANDUK …simki.unpkediri.ac.id/mahasiswa/file_artikel/2019/13.1.03.02.0270.pdf · Spanduk Berikut ini adalah hasil prediksi produksi setelah memasukkan

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

Page 2: DATA MINING PREDIKSI PRODUKSI SPANDUK …simki.unpkediri.ac.id/mahasiswa/file_artikel/2019/13.1.03.02.0270.pdf · Spanduk Berikut ini adalah hasil prediksi produksi setelah memasukkan

Artikel Skripsi Universitas Nusantara PGRI Kediri

Dita Kusuma Prabawanti | 13.1.03.02.0270 Teknik – Teknik Informatika

simki.unpkediri.ac.id || 2||

Page 3: DATA MINING PREDIKSI PRODUKSI SPANDUK …simki.unpkediri.ac.id/mahasiswa/file_artikel/2019/13.1.03.02.0270.pdf · Spanduk Berikut ini adalah hasil prediksi produksi setelah memasukkan

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.

Page 4: DATA MINING PREDIKSI PRODUKSI SPANDUK …simki.unpkediri.ac.id/mahasiswa/file_artikel/2019/13.1.03.02.0270.pdf · Spanduk Berikut ini adalah hasil prediksi produksi setelah memasukkan

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

Page 5: DATA MINING PREDIKSI PRODUKSI SPANDUK …simki.unpkediri.ac.id/mahasiswa/file_artikel/2019/13.1.03.02.0270.pdf · Spanduk Berikut ini adalah hasil prediksi produksi setelah memasukkan

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

Page 6: DATA MINING PREDIKSI PRODUKSI SPANDUK …simki.unpkediri.ac.id/mahasiswa/file_artikel/2019/13.1.03.02.0270.pdf · Spanduk Berikut ini adalah hasil prediksi produksi setelah memasukkan

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.

Page 7: DATA MINING PREDIKSI PRODUKSI SPANDUK …simki.unpkediri.ac.id/mahasiswa/file_artikel/2019/13.1.03.02.0270.pdf · Spanduk Berikut ini adalah hasil prediksi produksi setelah memasukkan

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.