ABSTRAK
Saat ini semakin banyaknya jumlah kampus yang semakin berkembang yang membuat para
pengelola ingin mendapatkan strategi promosi yang lebih baik. Adapun cara dalam menemukan 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. Adapun teknik yang digunakan dalam hal ini adalah Algoritma FP-Growth. FP-Growth
adalah salah satu alternatif algoritma yang dapat digunakan untuk menentukan himpunan data yang
paling sering muncul (frequent item set) dalam sekumpulan data. Algoritma FP-Growth merupakan
pengembangan dari algoritma Apriori. Sedangkan di dalam algoritma FP-Growth tidak dilakukan
generate candidate karena FP-Growth menggunakan konsep pembangunan tree dalam pencarian
frequent itemset. Penelitian dilakukan dengan mengamati beberapa variabel penelitian yang sering
dipertimbangkan oleh perguruan tinggi khusunya bagian marketing dalam menentukan sasaran
promosinya, Yaitu Pendidikan Terakhir,Alamat Rumah,Jurusan,Pilihan Prodi. Hasil penelitian ini adalah
berupa suatu perangkat lunak dengan mengimplementasikan algoritma FP-Growth yang menggunakan
konsep pembangunan FP-Tree dalam mencari Frequent Itemset.
ABSTRAC
Nowadays more and more growing amount of campus that make the managers want to get better
promotion strategy. So how to find the right promotional strategy will be able to reduce costs and
achieve targeted promotional campaign right. One of proces that can be done to determine promotion
strategy is to use data mining techniques . The technique used in this case is the FP-Growth Algorithm.
FP-Growth algorithm is one of the alternatives that can be used to determine the set of data that
appears most frequently (frequent item sets) in a set of data. FP-Growth algorithm is an extension of
Apriori algorithm. While in the FP-Growth algorithm do not generate candidate because the FP-Growth
using the concept of development in the search for frequent itemset tree. The research doing by
observing and some research variables are often considered by colleges especially the marketing in
targeting the promotion, Namely Latest Education, Home Address, Subject, Options Prodi. The results of
this research are in the form of a software to implement the FP-Growth algorithm that uses the concept
of development of FP-Tree in finding Frequent Itemset.
211
Ali Ikhwan, Dicky Nofriansyah, Sriani, Penerapan Data Mining Dengan Algoritma..
variable (sampel data) dimana penemuan banyak. (Fadlina, 2014) Data Mining atau
(discovery) akan dilakukan. Hasil seleksi sering disebut sebagai knowledge discovery
disimpan dalam suatu berkas yang terpisah in database (KDD) adalah kegiatan yang
dari basis data operasional. meliputi pengumpulan, pemakaian data
historis untuk menemukan keteraturan,
b. Pre-Processing dan Cleaning Data pola atau hubungan dalam data berukuran
Pre-Processing dan Cleaning Data besar. Keluaran Data Mining ini bisa dipakai
dilakukan membuang data yang tidak untuk membantu pengambilan keputusan
konsisten dan noise, duplikasi data, di masa depan. Pengembangan KDD ini
memperbaiki kesalahan data, dan bisa menyebabkan penggunaan pattern
diperkaya dengan data eksternal yang recognition semakin berkurang karena telah
relevan. menjadi bagian Data Mining.
E. Rule Generation
Setelah mendapatkan frequent
itemset menggunakan algoritma apriori,
langkah selanjutnya adalah mendapatkan
rule yang memenuhi confidence. Karena
rule yang dihasilkan berasal dari frequent
2. Pembentukan aturan assosiatif
itemset, dengan kata lain, dalam
Setelah semua pola frekuensi tinggi
menghitung rule menggunakan confidence,
ditemukan, barulah dicari aturan assosiatif
tidak perlu lagi menghitung support-nya
yang memenuhi syarat minimum untuk
karena semua calon rules yang dihasilkan
confidence dengan menghitung confidence
telah memenuhi minsup sesuai yang
aturan assosiatif A _B Nilai confidence dari
ditentukan. Penghitungan ini juga tidak
aturan A _B diperoleh dari rumus berikut:
perlu melakukan perulangan scanning pada
database untuk menghitung confidence,
C. Frequent Itemset
cukup dengan mengambil itemset dari hasil
Langkah pertama pada association
support.
rule adalah menghasilkan semua itemset
3.1 Pendahuluan
Pengujian Menggunakan
Dalam melakukan penelitian agar Aplikasi Yang Ditentukan
hasilnya bisa maksimal, penulis mengikuti
kaidah-kaidah (metode) yang telah
Mengambil Keputusan
ditetapkan. Metode penelitian yang akan
diterapkan adalah metode penelitian ilmiah
yang telah diajarkan di bangku perkuliahan
Gambar 3.1 Kerangka Kerja
sarjana. Metodologi penelitian ini memuat
tentang kerangka kerja penelitian yang Berdasarkan gambar 3.1 dijabarkan
akan dibahas di bawah ini. Pada bab ini urutanurutan langkah kerja sebagai
akan dibahas metodologi penelitian untuk berikut:
mengidentifikasi permasalahan, analisa
permasalahan dan pada akhirnya mencari 3.2.1. Mengidentifikasi Masalah
penyelesaian masalah di dalam Masalah yang diidentifikasi dalam
menganalisa strategi dalam penelitian ini untuk mendapatkan strategi
mempromosikan pendidikan pada STMIK promosi yang efektif dan efisien dalam
TRIGUNA DHARMA MEDAN. mendapatkan calon mahasiswa baru
pembacaan didapat setelah melakukan TID akhiri D1. Proses pembentukan masing-
1, Yaitu berisi : NULL- D1 (Sistem Informasi) masing node dapat dilihat pada gambar 4.4.
=1 (B1) Medan= 1.
NULL
C1=1
D1=1
A3=1
B1=1
NULL
D1=20
Jadi dari hasil pencarian nilai Lift pemilihan atribut di dalam dataset
Ratio > 1 maka kita bisa menentukan sangat penting.
sebuah rule yang valid dari sekian 4. Algoritma FP-Growth dapat diterapkan
banyaknya rule yang dijalankan dengan untuk mendukung strategi promosi
software Rapidminer. pendidikan pada Perguruan Tinggi.
Adapun hasil dari rule yang paling Adapun Informasi yang berkaitan
mempangaruhi adalah: dengan pelaksanaan promosi dapat
tersedia dengan cepat, contohnya
Jika dia Asal sekolahnya SMA dalam pemilihan tempat yang akan
Swasta, Alamatnya Medan dan Asal dijadikan promosi pendidikan, sehingga
Jurusanya IPS maka dia memilih Prodi pihak manajemen dari kampus sendiri
Sistem Informasi dengan tingkat dapat melakukan pengambilan
kepercayaan 100% dan didukung 6% dari keputusan dengan cepat.
data keseluruhan. 5. Pelaksanaan promosi pendidikan pada
Hasil dari rule tersebut yang akan perguruan tinggi sangat dibantu dengan
dijadikan target dalam mempromosikan adanya penerapan algoritma FP-Growth
pendidikan. ini sehingga diharapkan efektifitas
pelaksanaan promosi pendidikan akan
6. SIMPULAN DAN SARAN dapat semakin ditingkatkan.
6. Untuk menemukan rule atau
6.1 Simpulan knowledge yang sangat berarti dalam
menganalisa strategi dalam
1. Metode dalam pencarian Frequent menentukan promosi pendidikan,
Itemsset pohon keputusan dibutuhkan banyak data sampel yang
menggunakan algoritma FP-Ggrowth digunakan untuk proses ekstraksi rule
bekerja sangat baik dalam melakukan atau knowledge tersebut.
Frequent Itemsset dengan proses
pembentukan FP-Tree dengan
menghasilkan rule dari data sampel 6.2 Saran
mahasiswa baru.
2. Penentuan data variabel sangat Salah satu tujuan penelitian ini adalah
menentukan tingkat akurasi FP-Growth agar teknik dalam menentukan strategi
yang dibuat dan besarnya presentase promosi pendidikan di Kampus STMIK
dalam menentukan minum support dan TRIGUNA DHARMA MEDAN dapat
minimum confidence dipengaruhi oleh diimplementasikan atau diterapkan dengan
data variabel yang digunakan untuk baik, untuk itu saran yang dapat
mencari frequent itemset yang saling diperhatikan untuk pengimplementasian
berhubungan untuk menemukan data dari teknik ini adalah:
variabel yang akan dijadikan stretegi
dalam promosi pendidikan. 1. Pada penelitian ini, penulis hanya
3. Dari penelitian yang dilakukan ada mencoba salah satu teknik dalam
beberapa atribut yang tidak digunakan menemukan hubungan beberapa item
dalam rule yang dihasilkan, sehingga yang digunakan untuk membentuk FP-
Tree dalam menentukan strategi
7. DAFTAR PUSTAKA