document.pdf

8
  Penerapan Data Mining dengan Algoritma Apriori untuk Mendukung Strategi Promosi Pendidikan Gunadi Widi Nurcahyo 1  Universitas Putra Indonesia “YPTK” Jl. Raya Lubuk Begalung Padang. Sumatera Barat, Telp (0751)- 775246 Fax. (0751)-71913 e-mail: [email protected]  Abs t rak Setiap perusahaan maupun organisasi yang ingin tetap bertahan perlu untuk menentukan  strategi promosi yang tepat. Penentuan strategi promosi yang tepat akan dapat mengurangi biaya  promosi dan mencapai sasaran promosi yang tepat. Salah satu cara yang dapat dilakukan untuk  penentuan strategi promosi adalah dengan menggunakan teknik data mining. Teknik data mining yang digunakan dalam hal ini adalah dengan menggunakan algoritma Apriori. Algoritma Apriori adalah algoritma pengambilan data dengan aturan asosiatif untuk menentukan hubungan asosiatif suatu kombinasi item. Penelitian dilakukan dengan mengamati beberapa variabel penelitian yang sering dipertimbangkan oleh perguruan tinggi dalam menentukan sasaran promosinya yaitu asal sekolah, daerah, jurusan, dan waktu sekolah. Hasil penelitian ini adalah berupa suatu perangkat lunak dengan mengimplementasikan algoritma Apriori yang dapat digunakan untuk menentukan nilai support dan confidence untuk tiap item.  Kata kunci: D at a Mi ning , Alg o ri tm a Apri o ri   Abs t rac t  Any company or organization that wants to survive needs to determine the appropriate  promotional strategies. Determination of appr opriate promotional strategies will be able to reduce costs and achieve targeted promotional campaign proper. One way that can be done to determine campaign  strategy is to use data mining techniques. Data mining techniques used in this case is to use the Apriori algorithm. Apriori algorithm is a sampling algorithm with associative rules to determine the associative relationships of a combination of items. The study was conducted by observing some variables that are considered by colleges to determine the origin of the promotion targeting schools, regions, departments , and school time. The results are in the form of a software to implement the Apriori algorithm that can be used to determine the value of support and confidence for each item.  Keywords: Dat a Mi ning, Apri o ri Alg o ri t hm  1. Pendahuluan  Data Mining  adalah proses ekstraksi informasi dari kumpulan data melalui penggunaan algoritma dan teknik yang melibatkan bidang ilmu statistik, mesin pembelajaran, dan sistem manajemen database (Feelders, Daniels, dan Holsheimer, 2000 dalam jayanthi Ranjan, 2005).  Data Mining  digunakan untuk ekstraksi informasi penting yang tersembunyi dari dataset yang besar. Dengan adanya data mining maka akan didapatkan suatu permata berupa pengetahuan di dalam kumpulan data    data yang banyak  jumlahnya. Salah satu area penerapan data mining adalah di dalam bidang promosi. Bila sasaran promosi tidak ditentukan secara baik, dalam arti tidak diupayakan mencari sasaran promosi yang potensial, maka hanya akan menghabiskan banyak waktu dan biaya yang seharusnya bisa diminimalisir melalui pemilihan target  promosi yang bai k. Salah satu cara yang dapat diterapkan adalah d engan menerapkan penggunaan data mining . Algoritma apriori adalah algoritma pengambilan data dengan aturan asosiatif (Association rule ) untuk menentukan hubungan asosiatif suatu kombinasi item (Kusrini, 2007).  Association Rule yang dimaksud dilakukan melalui mekanisme penghitungan  support dan confidence dari suatu hubungan item. Sebuah rule asosiasi dikatakan interesting jika nilai  support  adalah lebih besar dari minimum support dan  juga nilai confidence adalah lebih besar dari minimum confidence. Algoritma apriori ini akan cocok untuk

Transcript of document.pdf

  • Penerapan Data Mining dengan Algoritma Apriori untuk

    Mendukung Strategi Promosi Pendidikan

    Gunadi Widi Nurcahyo1

    Universitas Putra Indonesia YPTK Jl. Raya Lubuk Begalung Padang. Sumatera Barat, Telp (0751)- 775246 Fax. (0751)-71913

    e-mail: [email protected]

    Abstrak

    Setiap perusahaan maupun organisasi yang ingin tetap bertahan perlu untuk menentukan

    strategi promosi yang tepat. Penentuan strategi promosi yang tepat akan dapat mengurangi biaya

    promosi dan mencapai sasaran promosi yang tepat. Salah satu cara yang dapat dilakukan untuk

    penentuan strategi promosi adalah dengan menggunakan teknik data mining. Teknik data mining yang

    digunakan dalam hal ini adalah dengan menggunakan algoritma Apriori. Algoritma Apriori adalah

    algoritma pengambilan data dengan aturan asosiatif untuk menentukan hubungan asosiatif suatu

    kombinasi item. Penelitian dilakukan dengan mengamati beberapa variabel penelitian yang sering

    dipertimbangkan oleh perguruan tinggi dalam menentukan sasaran promosinya yaitu asal sekolah,

    daerah, jurusan, dan waktu sekolah. Hasil penelitian ini adalah berupa suatu perangkat lunak dengan

    mengimplementasikan algoritma Apriori yang dapat digunakan untuk menentukan nilai support dan

    confidence untuk tiap item.

    Kata kunci: Data Mining, Algoritma Apriori

    Abstract

    Any company or organization that wants to survive needs to determine the appropriate

    promotional strategies. Determination of appropriate promotional strategies will be able to reduce costs

    and achieve targeted promotional campaign proper. One way that can be done to determine campaign

    strategy is to use data mining techniques. Data mining techniques used in this case is to use the Apriori

    algorithm. Apriori algorithm is a sampling algorithm with associative rules to determine the associative

    relationships of a combination of items. The study was conducted by observing some variables that are

    considered by colleges to determine the origin of the promotion targeting schools, regions, departments ,

    and school time. The results are in the form of a software to implement the Apriori algorithm that can be

    used to determine the value of support and confidence for each item.

    Keywords: Data Mining, Apriori Algorithm

    1. Pendahuluan

    Data Mining adalah proses ekstraksi informasi dari kumpulan data melalui penggunaan algoritma

    dan teknik yang melibatkan bidang ilmu statistik, mesin pembelajaran, dan sistem manajemen database

    (Feelders, Daniels, dan Holsheimer, 2000 dalam jayanthi Ranjan, 2005). Data Mining digunakan untuk

    ekstraksi informasi penting yang tersembunyi dari dataset yang besar. Dengan adanya data mining maka

    akan didapatkan suatu permata berupa pengetahuan di dalam kumpulan data data yang banyak jumlahnya.

    Salah satu area penerapan data mining adalah di dalam bidang promosi. Bila sasaran promosi tidak

    ditentukan secara baik, dalam arti tidak diupayakan mencari sasaran promosi yang potensial, maka hanya

    akan menghabiskan banyak waktu dan biaya yang seharusnya bisa diminimalisir melalui pemilihan target

    promosi yang baik. Salah satu cara yang dapat diterapkan adalah dengan menerapkan penggunaan data

    mining.

    Algoritma apriori adalah algoritma pengambilan data dengan aturan asosiatif (Association rule )

    untuk menentukan hubungan asosiatif suatu kombinasi item (Kusrini, 2007). Association Rule yang

    dimaksud dilakukan melalui mekanisme penghitungan support dan confidence dari suatu hubungan item.

    Sebuah rule asosiasi dikatakan interesting jika nilai support adalah lebih besar dari minimum support dan

    juga nilai confidence adalah lebih besar dari minimum confidence. Algoritma apriori ini akan cocok untuk

  • 68

    diterapkan bila terdapat beberapa hubungan item yang ingin dianalisa. Salah satunya yang bisa diterapkan

    adalah di dalam bidang promosi dan penentuan strategi pemasaran.

    Pada saat ini tiap perguruan tinggi pasti berusaha untuk mendapatkan strategi promosi yang efektif

    dan efisien dalam mendapatkan calon mahasiswa baru ditengah ketatnya persaingan antar Perguruan

    Tinggi. Untuk promosi pada Perguruan Tinggi dapat didukung dengan menggunakan algoritma Apriori

    untuk menentukan target promosi yang potensial. Variabel atau item yang dapat dijadikan sebagai tolok

    ukur penganalisaan data diantaranya adalah asal sekolah, daerah asal, jurusan, dan waktu sekolah. Melalui

    penerapan algoritma apriori maka akan dapat disajikan suatu gambaran mengenai hubungan antara asal

    sekolah, daerah asal, jurusan, dan waktu sekolah terhadap keputusan mahasiswa untuk menjadi

    mahasiswa suatu perguruan tinggi. Sehingga ke depan setiap perguruan tinggi bisa lebih memfokuskan

    diri terhadap target promosi yang dirasakan cukup potensial.

    Agar penelitian ini lebih terarah dan tujuan yang diharapkan dapat tercapai, maka peneliti

    menetapkan batasan batasan terhadap masalah yang diteliti. Dalam penelitian ini peneliti memberikan batasan sebagai berikut : penelitian ini khusus membahas tentang strategi promosi pendidikan pada suatu

    perguruan tinggi, data yang diamati diharapkan adalah data selama 6 tahun terakhir. kriteria peniliaian

    yang akan dikaji adalah untuk mengkaji sasaran promosi pendidikan yang efektif bagi perguruan tinggi,

    dan variabel yang dipakai di dalam penilaian ini adalah mengenai asal sekolah, Daerah asal, jurusan, dan

    Waktu sekolah. Nilai confidence yang akan dihitung adalah nilai confidence untuk 2 itemset dan 3

    itemset. Untuk kategori 2 itemset yang akan dijadikan tolok ukur dalam pencarian nilai support dan

    confidence adalah variabel: Asal Sekolah Jurusan, Asal Sekolah Waktu, Daerah Jurusan, Daerah Waktu, dan Jurusan Waktu. Untuk kategori 3 itemset yang akan dijadikan tolok ukur dalam pencarian nilai support dan confidence adalah variabel: Sekolah Jurusan Waktu dan Daerah Jurusan Waktu.

    2. Metodologi Penelitian

    Metodologi penelitian dilakukan dengan mengumpulkan data terlebih dahulu. Proses

    pengumpulan data dilakukan dengan dua cara yaitu : studi kepustakaan dan studi lapangan. Studi

    kepustakaan dilakukan untuk memahami penerapan data mining seperti mengumpulkan teori-teori yang

    berhubungan dengan data mining dan studi lapangan dilakukan mendapatkan data penelitian. data yang

    diamati diharapkan adalah data selama 6 tahun terakhir. Data penelitian seperti : Asal Sekolah Jurusan, Asal Sekolah Waktu, Daerah Jurusan, Daerah Waktu, dan Jurusan Waktu.

    3. Analisis dan Hasil

    3.1 Analisis

    Data Mining adalah proses ekstraksi informasi dari kumpulan data melalui penggunaan

    algoritma dan teknik yang melibatkan bidang ilmu statistik, mesin pembelajaran, dan sistem manajemen

    database (Feelders, Daniels, dan Holsheimer, 2000 dalam jayanthi Ranjan, 2005). Data Mining adalah

    digunakan untuk ekstraksi informasi penting yang tersembunyi dari dataset yang besar. Pada beberapa

    tahun belakangan ini, kemajuan dari beberapa bidang ilmu pengetahuan seperti science, business, dan lain

    lain telah melahirkan koleksi database yang terus meningkat. Kumpulan data yang demikian banyak dapat didayagunakan untuk mendukung pengambilan keputusan (Lamine, Nhien, dan Tahar, 2007).

    Menurut Jurnal Penerapan Algoritma Apriori pada Data Mining Untuk Mengelompokkan Barang Berdasarkan Kecenderungan Kemunculan Bersama Dalam Satu Transaksi (Kusrini, 2007), Algoritma apriori termasuk jenis aturan assosiasi pada data mining.

    Analisis asosiasi atau association rule mining adalah teknik data mining untuk menemukan

    aturan assosiatif antara suatu kombinasi item. Contoh dari aturan assosiatif dari analisa pembelian di

    suatu pasar swalayan adalah dapat diketahuinya berapa besar kemungkinan seorang pelanggan membeli

    roti bersamaan dengan susu. Dengan pengetahuan tersebut pemilik pasar swalayan dapat mengatur

    penempatan barangnya atau merancang kampanye pemasaran dengan memakai kupon diskon untuk

    kombinasi barang tertentu.

    Karena analisis asosiasi menjadi terkenal karena aplikasinya untuk menganalisa isi keranjang

    belanja di pasar swalayan, analisis asosiasi juga sering disebut dengan istilah market basket analysis.

    Analisis asosiasi didefinisikan sebagai suatu proses untuk menemukan semua aturan assosiatif

    yang memenuhi syarat minimum untuk support (minimum support) dan syarat minimum untuk

    confidence (minimum confidence).

  • 69

    Penerapan Data Mining untuk Strategi Promosi Pendidikan (Gunadi Widi Nurcahyo)

    Metodologi dasar analisis asosiasi terbagi menjadi dua tahap :

    3.1.1 Analisa pola frekuensi tinggi

    Tahap ini mencari kombinasi item yang memenuhi syarat minimum dari nilai support dalam

    database. Nilai support item diperoleh dengan Persamaan 1.

    Support (A) = ...................[Persamaan 1]

    sedangkan nilai support dari 2 item diperoleh dari Persamaan 2.

    Support (A, B) = P ( A B) = .[Persamaan 2]

    3.1.2 Pembentukan aturan assosiatif Setelah semua pola frekuensi tinggi ditemukan, barulah dicari aturan assosiatif yang memenuhi

    syarat minimum untuk confidence dengan menghitung confidence aturan assosiatif A B. Nilai confidence dari aturan A B diperoleh dari Persamaan 3.

    Confidence = P (A | B) = ..[Persamaan 3]

    3.1.3 Contoh Algoritma Apriori untuk Pencarian Association Rule Misalkan terdapat data transaksi seperti yang ditunjukkan pada Tabel 1

    Tabel 1 Data Item Transaksi

    Transaction ID Item Set

    1 Item A, Item C, Item D

    2 Item B, Item C, Item E

    3 Item A, Item B, Item C, Item E

    4 Item B, Item E

    Misalkan diinginkan minimum support : 50% (2 dari 4 transaksi)

    Langkah 1: Mencari nilai support untuk masing masing itemset. Seperti yang ditunjukkan pada Tabel 2 L1={large 1-itemset}

    Tabel 2 Nilai Support untuk 1 Item Set

    Itemset Support

    A 50%

    B 75%

    C 75%

    D 25%

    E 75%

    Langkah 2: Mencari kandidat itemset untuk L2:

    2.1 : Gabungkan itemset pada L1 (algoritma apriori-gen)

    { A B, A C, A D, A E, B C, B D, B E, C D, C E, D E}

    2.2 : Hapus yang tidak ada dalam itemset

    Itemset { B D, DE} dihapus karena tidak ada dalam itemset

    Langkah 3: Hitung nilai Support untuk masing- masing itemset. Hasilnya dapat ditunjukkan pada Tabel 3.

    Jumlah Transaksi Mengandung A

    Total Transaksi

    Jumlah Transaksi Mengandung A dan B

    Total Transaksi

    Jumlah Transaksi Mengandung A dan B

    Jumlah Transaksi Mengandung A

  • 70

    Tabel 3 Nilai Support untuk 2 Item Set

    Itemset Support

    A B 25 %

    A C 50 %

    A D 25 %

    A E 25%

    B C 50%

    B E 75%

    C D 25%

    C E 50%

    Langkah 4: tentukan item set yang memenuhi minimum support. Hasilnya dapat ditunjukkan pada tabel 4.

    L2 { large 2-itemset}

    Tabel 4 Anggota 2 Item Set yang Memenuhi Minimum Support

    Itemset Support

    A C 50 %

    B C 50%

    B E 75%

    C E 50%

    Langkah 5 : Ulangi langkah 2-4

    Langkah 5.1, Gabungkan itemset pada L2 & L2. Hasilnya dapat ditunjukkan pada Tabel 5.

    Tabel 5 Anggota 3 Item Set

    Itemset Hasil Gabungan (3 itemset)

    A C + B C A C B

    A C + B E A C B, A C E, A B E

    A C + C E A C E

    B C + B E B C E

    B C + C E B C E

    B E + C E B C E

    Langkah, 5. 2, Hapus yang tidak ada dalam itemset : { A C E }

    Langkah 6 : Hitung support dari setiap kandidat itemset L3

    Hasilnya dapat ditunjukkan pada Tabel 6

    Tabel 6 Nilai Support untuk 3 Item Set

    Itemset Support

    A B C 25 %

    A B E 25 %

    B C E 50 %

    Langkah 7 : L3 { large 3-itemset } { B C E}

    Langkah 8 : STOP karena sudah tidak ada lagi kandidat untuk 4-itemset.

    Untuk mencari aturan asosiasi diperlukan juga minconf

    Misal minconf : 75 %, aturan asosiasi yang mungkin terbentuk dapat ditunjukkan pada Tabel 7.

    Tabel 7 Nilai confidence untuk Tiap Item Set

    Aturan (X Y) Sup(X Y) Sup(X) Confidence

    B C E 50% 50% 100% B E C 50% 75% 66.67%

  • 71

    Penerapan Data Mining untuk Strategi Promosi Pendidikan (Gunadi Widi Nurcahyo)

    C E B 50% 50% 100% A C 50% 50% 100 % C A 50% 75% 66.67% B C 50% 75% 66.67% C B 50% 75% 66.67% B E 75% 75% 100% E B 75% 75% 100% C E 50% 75% 66.67% E C 50% 75% 66.67%

    Proses kerja dari Algoritma Apriori dapat dilihat pada gambar 1.

    Gambar 1 Rancangan Umum Penerapan Algoritma Apriori

    Gambar 1 memperlihatkan rancangan umum dari sistem yang menerapkan algoritma apriori

    yang akan dirancang dalam mendukung strategi promosi pendidikan pada suatu perguruan tinggi. Dalam

    rancangan ini dapat digambarkan bahwa proses dimulai dari pemasukan data mahasiswa, di mana atribut

    utama yang akan dianalisa adalah meliputi data asal sekolah, daerah asal, jurusan, dan waktu sekolah.

    Berdasarkan data data yang ada, kemudian akan dicari nilai support untuk masing masing item. Hasil pencarian dari nilai support ini kemudian akan bisa ditentukan frequent item set. Berdasarkan pada

    frequent item set yang ada kemudian akan dihitung nilai confidence untuk masing masing frequent item set. Kemudian berdasarkan nilai support dan confidence untuk frequent item set akan dihasilkan suatu

    association rule.

    3.2 Hasil

    Pada saat pertama kali menjalankan Perangkat Lunak Apriori ini, maka akan dijumpai tampilan

    berikut ini seperti yang dapat dilihat pada Gambar 2.

    Gambar 2 Tampilan Menu Utama

    Menu utama pada program di atas terdiri dari menu File, Menu Data, Menu Laporan, dan Setting.

    Menu File terdiri dari sub menu Log In, Log Out dan Keluar. Menu Data terdiri dari sub menu

  • 72

    Mahasiswa, 1 Item set, 2 Item set, 3 Item set, dan 4 Item Set. Menu Laporan terdiri dari sub menu Nilai

    Support / Confidence Total, Rule / Knowledge. Menu Setting terdiri dari sub menu Pengguna.

    Terlebih dahulu diisikan data mahasiswa pada form yang sudah disediakan seperti yang diperlihatkan

    pada gambar 3.

    Gambar 3 Tampilan form pengisian data mahasiswa

    Kemudian berdasarkan data mahasiswa yang telah diketikkan sebelumnya, maka dapat dianalisa nilai

    support untuk 1 item set seperti yang terlihat pada gambar 4

    Gambar 4 Nilai support untuk 1 item set

    Langkah berikutnya, adalah menghitung nilai support untuk 2 item set berdasarkan frequent item set yang

    telah diperoleh pada langkah 2. Seperti yang diperlihatkan pada gambar 5.

    Gambar 5 Tampilan nilai support untuk 2 item set

    Setelah dihitung nilai support untuk 2 item set, maka langkah selanjutnya adalah mencari nilai support

    untuk 3 item set, berdasarkan frequent item set yang telah diperoleh pada langkah 3. Seperti yang

    diperlihatkan pada gambar 6.

  • 73

    Penerapan Data Mining untuk Strategi Promosi Pendidikan (Gunadi Widi Nurcahyo)

    Gambar 6 Tampilan nilai support untuk 3 item set

    Kemudian kita juga dapat melihat nilai support dan confidence masing masing item set seperti yang diperlihatkan pada gambar 7 dan melihat rule yang dihasilkan seperti yang diperlihatkan pada gambar 8.

    Gambar 7 Nilai Support / Confidence Gambar 8 Tampilan Rule yang Dihasilkan

    3. Hasil dan Diskusi

    Setelah dilakukan perbandingan ternyata sistem yang dirancang dengan menggunakan algoritma

    apriori dapat menghasilkan keputusan promosi yang singkat dan tepat. Karena knowledge yang dihasilkan

    dapat memberikan laporan yang bermanfaat untuk bagian akademik dan pihak yayasan serta pihak pihak lain yang membutuhkannya. Dibandingkan dengan sistem lama maka sistem dengan menggunakan

    algoritma Apriori ini mempunyai beberapa kelebihan sebagai berikut. Pada hal pengolahan Data,

    penggunaan Algoritma Apriori untuk pengolahan data promosi pada perguruan tinggi dapat dilakukan

    dengan lebih cepat dibandingkan dengan pengolahan data secara manual / tidak menggunakan suatu

    teknik tertentu. Pada hal pencarian Informasi, penggunaan algoritma apriori membuat pencarian informasi

    cepat, karena pada laporan yang didapat sudah disajikan suatu bentuk rule yang berisikan nilai support

    dan confidence sehingga dapat semakin membantu dalam penentuan keputusan promosi. Pada sistem

    yang lama pencarian informasi memakan waktu yang lama, karena bentuk laporan yang ada tidak memuat

    data yang lengkap, dan tidak terperinci.

    Dari rule yang ada dapat dijelaskan sebagai berikut: hasil pengujian dilakukan untuk mencari nilai

    support dan confidence untuk masing masing item. Dari hasil pengujian menunjukkan bahwa tidak terdapat perbedaan antara hasil perhitungan manual dengan hasil perhitungan dengan menggunakan

    perangkat lunak. Untuk memastikan apakah hasil perhitungan dengan perangkat lunak telah mendapatkan

    hasil yang diinginkan maka penulis kemudian membandingkannya dengan program algoritma hasil

    unduhan yang sifatnya non customized. Berdasarkan hasil perbandingan juga tidak menunjukkan adanya

    perbedaan. Nilai confidence yang dicari adalah merupakan nilai confidence untuk 2 item set dan 3 item

    set. Dengan adanya nilai support dan confidence maka akan dapat membantu pihak manajemen

    perguruan tinggi dalam hal pengambilan keputusan di bidang promosi pendidikan. Sebagai contoh, SMA

    A menjadi target promosi yang sangat potensial karena memiliki nilai minimum support yang cukup

    besar yaitu 25% artinya adalah bahwa dari seluruh mahasiswa perguruan tinggi, maka 25 % nya adalah

    berasal dari SMA. Bila fokus promosi mau lebih dipertajam lagi maka kita dapat melihat bahwa

  • 74

    konsentrasi yang cukup dominan di SMA A adalah di bidang IPS yang memiliki nilai minimum

    confidence sebesar 75%. Artinya dari keseluruhan siswa SMA A yang masuk ke suatu perguran tinggi

    maka 75% nya adalah berasal dari jurusan IPS sedangkan jurusan IPA hanya mencapai 25% dari total

    keseluruhan siswa SMA A yang masuk ke perguruan tinggi. Dengan adanya hasil analisis dengan

    menggunakan Algoritma Apriori ini maka pihak manajemen dapat lebih memfokuskan diri pada sasaran

    promosi yang paling potensial sehingga dapat lebih menghemat anggaran untuk biaya promosi.

    4. Kesimpulan dan Saran

    Adapun kesimpulan dari hasil penelitian adalah sebagai berikut. algoritma Apriori dapat

    diterapkan untuk mendukung strategi promosi pendidikan pada Perguruan Tinggi. Informasi yang

    berkaitan dengan pelaksanaan promosi dapat tersedia dengan cepat, sehingga pihak manajemen dapat

    melakukan pengambilan keputusan dengan cepat. Pelaksanaan promosi pendidikan pada perguruan tinggi

    sangat dibantu dengan adanya penerapan algoritma Apriori ini sehingga diharapkan efektifitas

    pelaksanaan promosi pendidikan akan dapat semakin ditingkatkan. Penerapan algoritma Apriori yang

    dilakukan melalui perangkat lunak yang dirancang terbukti menujukkan hasil yang sama dibandingkan

    dengan melakukan perhitungan secara manual ataupun dengan perangkat lunak sejenis. Hal ini dibuktikan

    melalui perhitungan nilai support dan confidence yang menunjukkan hasil yang sama. Adapun saran

    dari hasil penelitian adalah sebagai berikut : algoritma apriori ini dapat diterapkan dalam proses

    pelaksanaan promosi dan proses lainnya yang dapat melibatkan hubungan antar beberapa item dalam

    lingkungan lainnya tidak hanya terbatas pada lembaga pendidikan saja seperti misalnya pada strategi

    cross market analysis. Selanjutnya penulis juga menyarankan agar dapat membandingkan metode

    pengambilan keputusan dengan menggunakan algoritma apriori ini dengan teknik yang lainnya.

    Daftar Pustaka

    [1] Abdallah Alashqur, Mining Association Rule: A Database Perspective, International Journal of Computer Science and Network Security, Vol 8 No. 12, December 2008, Page 69 74, HTTP:// paper.ijcsns.org/07_book/200812/20081211.pdf

    [2] David J. Hand, Data Mining: Statistic and More?, American Statistical Association, May 1998 Vol. 52, No. 2, Page 112 118, HTTP:// amscampus.cib.unibo.it/archive/00001164/01/Hand98.pdf

    [3] E.W.T. Ngai, Li Xiu, dan D.C.K. Chau, Application of Data Mining Technique in Customer Relationship Management: A Literature Review and classification, Journal Elsevier (2009), Page 2592 2602, HTTP:// 163.17.12.2/.../Application%20of%20data%20mining%20techniques%20%20%20%20in%

    [4] Jayanthi Ranjan (2007), Application of Data Mining Technique in Pharmaceutical Industry, Journal of Theoritical and Applied Information Technology, Page 61 67, HTTP:// www.jatit.org/volumes/research-papers/Vol3No4/7vol3no4.pdf

    [5] Kusrini (2007), Penerapan Algoritma Apriori pada Data Mining untuk Mengelompokkan Barang Berdasarkan Kecenderungan Kemunculan Bersama dalam Satu Transaksi, Page 1 16, HTTP:// dosen.amikom.ac.id/.../Publikasi%20Apriori-Kusrini_Feb-07_.pdf

    [6] Kusrini and Emha Taufiq Luthfi, Algoritma Data Mining, Yogyakarta: Penerbit Andi, 2009, Page 149 176

    [7] Lamine, M.A, Nhien-An LK, and Tahar M.K, Distributed Frequent Itemsets Mining in Heterogenous Platforms, Journal of Engineering, Computing, and Architecture Volume 1, Issue 2, 2007, Page 1 12, HTTP:// www.scientificjournals.org/journals2007/articles/1239.pdf

    [8] Sarjon D. and Mohd Noor MD Sap (2001), Mining Association Rule From Large Databases, Jurnal Tekologi Maklumat Jilid 13, Bil. 2, page 16 37, HTTP:// eprints.utm.my/8764/1/MohdNoorMdSap2001_MiningAssociationRuleFromLarge.pdf

    [9] U. Fayyad, Gregory P.S, and P. Smyth, From Data Mining to Knowledge Discovery in Database, American Association for Artificial Intelligence (1996), Page 37 54, HTTP://citeseer.ist.psu.edu/283224.html

    [10] Yudho Giri Sucahyo (2003), Pengantar Data Mining, IlmuKomputer.Com, HTTP://ilmukomputer.com/2008/11/25 mengenal-data-mining/