FIKRI FADLILLAH, S.T., MMSI

Slides:



Advertisements
Presentasi serupa
MODUL 10 APRIORI.
Advertisements

Association Rule B y : E ka P raja W iyata M andala Universitas Putra Indonesia YPTK Padang Fakulas Ilmu Komputer Program Studi Teknik Informatika.
I. Pendahuluan CRM adalah sebuah strategi bisnis untuk memahami, mengantisipasi dan mengelola kebutuhan pelanggan yang potensial dalam suatu organisasi.
Sistem Basis Data Lanjut
GERLAN A. MANU, ST.,MKom Gerlan A. Manu, ST.,MKom - Algoritma Pemrograman I 1.
DATA MINING 1.
Kemajuan teknologi informasi & komunikasi memungkinkan sebuah perusahaan untuk memperoleh dan menyimpan data transaksional dan demografi secara.
Proses Data Warehouse M. Syukri Mustafa,S.Si., MMSI.
Algoritma A priori.
Market Basket Analysis
Chapter 10 ALGORITME for ASSOCIATION RULES
PROGRAM APLIKASI MOBILE EMHA TAUFIQ LUTHFI PERTEMUAN 3.
Chapter 9 ALGORITME Cluster dan WEKA
ERD (Entity Relationship Diagram) Relasi
Data Mining Sequential Pattern Mining
SISTEM INFORMASI Pertemuan 5.
Pertemuan XIV FUNGSI MAYOR Assosiation. What Is Association Mining? Association rule mining: –Finding frequent patterns, associations, correlations, or.
Market Basket Analysis - #3
PROGRAM APLIKASI MOBILE EMHA TAUFIQ LUTHFI PERTEMUAN 5 (18 APRIL 2011)
Association Rules.
Association Rule (Apriori Algorithm)
Pendahuluan Definisi Tujuan Fungsi Jenis
Kasus Buat algoritma untuk menghitung total pembayaran dari proses pembelian.
PROGRAM APLIKASI MOBILE EMHA TAUFIQ LUTHFI PERTEMUAN 4 (12 APRIL 2011)
Pertemuan XIV FUNGSI MAYOR Assosiation. What Is Association Mining? Association rule mining: –Finding frequent patterns, associations, correlations, or.
Association Rules and Frequent Item Analysis
Dosen Pengampu : Edhy Sutanta, ST.,M.Kom.. Hoby Renang Badminton Traveling.
A rsitektur dan M odel D ata M ining. Arsitektur Data Mining.
Association Rules (Kaidah Asosiasi)
DATA MINING 25 Januari 2008.
ANALISIS ASOSIASI BAGIAN 1
ANALISIS ASOSIASI.
ANALISIS ASOSIASI BAGIAN 2
Association Rule Ali Ridho Barakbah Mata kuliah Data Mining.
SEMINAR TUGAS AKHIR 16 JULY 2008
Oleh: Tri Endah Wijayanti G
ANALISIS ASOSIASI BAGIAN 1
ALGORITMA A PRIORI Wahyu Nurjaya WK, S.T., M.Kom.
KECERDASAN BISNIS Data Warehouse, Data Mart, OLAP, dan Data Mining
Peran Utama Data Mining
Data Mining Junta Zeniarja, M.Kom, M.CS
Data Mining.
Assocation Rule Data Mining.
ANALISIS ASOSIASI BAGIAN 1
Konsep Data Mining Ana Kurniawati.
STATISTIK KESEHATAN ok.
Nama : Anita NPM : Jurusan : Teknik Informatika
Firman Ardiansyah, S.Kom, M.Si. Imas S. Sitanggang, S.Si., M.Kom
ANALISA ASOSIASI DATA MINING.
Data Mining Junta Zeniarja, M.Kom, M.CS
SISTEM PENUNJANG KEPUTUSAN
Diagram Alur Data Fisik (DADF)
.: ALGORITMA APRIORI :. DSS - Wiji Setiyaningsih, M.Kom
Latihan Soal Pertemuan 6
APLIKASI DATA MINING MENGGUNAKAN ATURAN ASOSIASI
Menentukan Luasnya pengujian
PENERAPAN INTEGRAL : MENGHITUNG LUAS BIDANG DATAR
Associasion Rule dengan RapidMiner
BASIS DATA TERDISTRIBUSI
MODEL PERSEDIAAN Matakuliah ANALISIS KUANTITATIF 13.
PRODI MIK | FAKULTAS ILMU-ILMU KESEHATAN
ANALISIS ASOSIASI APRIORI.
Associasion Rule dengan RapidMiner
Suplemen collaboration diagram component diagram
MODUL 10 APRIORI.
Konsep Data Mining Ana Kurniawati.
ASSOCIATION RULE DAN PENERAPANNYA
Textbooks. Association Rules Association rule mining  Oleh Agrawal et al in  Mengasumsikan seluruh data categorical.  Definition - What does.
ASSOCIATION RULES APRIORI.
Transcript presentasi:

FIKRI FADLILLAH, S.T., MMSI KONSEP DATA MINING Aturan Asosiasi FIKRI FADLILLAH, S.T., MMSI

Analisis Asosiasi Contoh : “Mengetahui besar kemungkinan pelanggan membeli smartphone dengan Case”

Aturan Asosiasi {Handphone, Case} -> {Screen Protector} (Support= 40%, Confidence = 50%)

Parameter Support : presentase kombinasi item Confidence : Kuatnya hubungan antar item

Analisis Pola Frekuensi Tinggi Mendapat Nilai support dari setiap item (Kusrini & Emha Taufiq, 2009)

(Kusrini & Emha Taufiq, 2009) Contoh Penerapan APFT (Kusrini & Emha Taufiq, 2009)

(Kusrini & Emha Taufiq, 2009) Contoh Penerapan APFT (Kusrini & Emha Taufiq, 2009) Step 1 : Buatlah Data Transaksi Tersebut dalam bentuk Tabular

(Kusrini & Emha Taufiq, 2009) Contoh Penerapan APFT Step 2: 1. Hitung total transaksi dari item yang dibeli ! 2. tentukan nilai minimum / φ 3. Buatlah 2-itemset (Kusrini & Emha Taufiq, 2009)

(Kusrini & Emha Taufiq, 2009) Contoh Penerapan APFT Step 3: Tentukan nilai minimum / φ = 3 Sehingga himpunan yang terpilih : {Teh, Gula}, {Gula,Kopi},{Gula,Susu}, {Kopi,Susu},{Susu,Roti}. Kemudian buatlah 3-itemset (Kusrini & Emha Taufiq, 2009)

(Kusrini & Emha Taufiq, 2009) Contoh Penerapan APFT (Kusrini & Emha Taufiq, 2009) Step 5: Membentuk Aturan Asosiasi Menghitung Confidence dari Aturan Asosiasi Menghitung Support dari Aturan Asosiasi

(Kusrini & Emha Taufiq, 2009) Contoh Penerapan APFT (Kusrini & Emha Taufiq, 2009)

(Kusrini & Emha Taufiq, 2009) Contoh Penerapan APFT (Kusrini & Emha Taufiq, 2009)

(Kusrini & Emha Taufiq, 2009) Contoh Penerapan APFT (Kusrini & Emha Taufiq, 2009)

(Kusrini & Emha Taufiq, 2009) Contoh Penerapan APFT (Kusrini & Emha Taufiq, 2009)

Referensi Handout (Kusrini & Emha Taufiq L. 2009. Algoritma Data Mining. ANDI: Yogyakarta