DATA MINING ALGORITMA FP-GROWTH DAN ALGORITMA KMEDOIDS UNTUK MENGETAHUI POLA PENJUALAN DAN PENGELOMPOKAN DATA PADA KELUARGA SWALAYAN SIJUNJUNG

NALDI, ARI SAFLI (2023) DATA MINING ALGORITMA FP-GROWTH DAN ALGORITMA KMEDOIDS UNTUK MENGETAHUI POLA PENJUALAN DAN PENGELOMPOKAN DATA PADA KELUARGA SWALAYAN SIJUNJUNG. Sarjana thesis, Universitas Putera Indonesia YPTK Padang.

	Text SKRIPSI_18101152630233 ARI SAFLI NALDI_ABSTRAK.pdf Download (157kB)
	Text SKRIPSI_18101152630233 ARI SAFLI NALDI_DAFTAR PUSTAKA.pdf Download (148kB)
	Text SKRIPSI_18101152630233 ARI SAFLI NALDI_FULLTEKS.pdf Restricted to Repository staff only Download (8MB)
	Text SKRIPSI_18101152630233 ARI SAFLI NALDI_BAB I.pdf Download (176kB)

Abstract

Data mining adalah proses ekstraksi informasi dari data besar yang tidak terstruktur dengan menggunakan teknik statistik dan machine learning. Dalam bidang penjualan barang, data mining dapat digunakan untuk menemukan pola dan tren penjualan yang membantu dalam pengambilan keputusan bisnis. Dataset yang di olah dalam penelitian ini sebnyak seratus transaksi Frequent Pattern Growth (FP-Growth) adalah salah satu alternatif algoritma yang dapat digunakan untuk menentukan himpunan data yang paling sering muncul (Frequent itemset) dalam sebuah kumpulan data. Karakteristik algoritma FP-Growth adalah struktur data yang digunakan adalah tree yang disebut dengan FP-Tree. Dengan menggunakan FP-Tree, algoritma FP-Growth dapat langsung mengekstrak frequent itemset dari FP-Tree. Panggilan itemset yang frequent dengan menggunakan FP-Growth akan dilakukan dengan cara membangkitkan struktur data tree atau disebut dengan FP-Tree. Metode FP-Growth dapat menjadi dibagi 3 tahap utama, yaitu tahap pembangkitan conditional pattern base, tahap pembangkitan, conditional FP-Tree, dan tahap pencarian frequent itemset. Hasil yang didapatkan dari Fp-Growth adalah support tertinggi yaitu : Jika memebeli sapu kamar mandi korea maka memebeli keranjang sampah viola, dengan support 15%. K-Medoids merupakan suatu algoritma yang digunakan untuk menemukan medoids didalam sebuah kelompok (cluster) yang merupakan titik pusat dari suatu kelompok (cluster). Algoritma K-Medoids lebih baik dibandingkan dengan KMeans karena pada K-Medoids kita menemukan k sebagai objek yang representatif untuk meminimalkan jumlah ketidaksamaan objek data, sedangkan pada K-Means menggunakan jumlah jarak euclidean distance untuk objek data. Hasil yang didapatkan dari K-Medoids adalah delapan cluster yaitu : Chokichoki fanta,sprite,ccla klg,cincau kaleng naraya,keranjang sampah viola,sapu kamar mandi korea dan sendal anak warna

Actions (login required)

View Item