JURNAL MEDIA PROCESSOR Vol. 8, No.

3, Oktober 2013

PENGGUNAAN ALGORITHMA APRIORI DALAM

MENGANALISA PRILAKU MAHASISWA DALAM MEMILIH
MATA KULIAH ( STUDI KASUS : FKIP UPI “YPTK” )
SARJON DEFIT

Fakultas Ilmu Komputer Universitas Putra Indonesia “YPTK”

E-mail : sarjond@yahoo.co.uk

ABSTRAK

Algoritma Apriori merupakan salah satu algoritma dalam data mining

untuk jenis rule asosiasi. Dalam penelitian ini, Apriori digunakan untuk
menganalisa prilaku mahasiswa dalam memilih mata kuliah. Pengujian telah
dilakukan menggunakan data mahasiswa Program Studi teknik Informatika dan
Komputer FKIP UPI “YPTK” Padang. Hasil pengujian memperlihatkan bahwa
algoritma Apriori dapat menghasilkan rule asosiasi yang diinginkan dan
selanjutnya digunakan untuk menganalisa prilaku mahasiswa dalam memilih
mata kuliah.

Kata Kunci: Data Mining, Rule Asosiasi, Apriori, Mata Kuliah

ABSTRACT

Apriori algorithm is one of algorithms in data mining for rule association.

In this research, Apriori algorithm is used to analyze student’s behavior in
selection subjects. Testing has been conducted by using student’s data of
Information Technology Program Study, FKIP-YPTK Padang. The result shows
that Apriori algorithm can generate association rules required to analyze
student’s behavior in selecting subjects.

Keywords: Data Mining, Association Rules, Apriori, Subject

1. PENDAHULUAN mining. Salah satu metode data

Data Mining merupakan proses
iteratif dan interaktif untuk
menemukan pola atau model baru
yang sempurna, bermanfaat dan
dapat di mengerti dalam suatu
database yang sangat besar (Fajar,
A.H. 2013, Kusrini & Emha, T.L.
2009) Berbagai metode atau
algoritma yang diterapkan data
mining untuk menghasilkan bentuk
pola yang dihasilkan data mining
adalah Association Rule. Association
Rule dikenal juga sebagai salah satu
teknik dasar pada data mining yang
digunakan untuk menemukan pola
dari sekumpulan data.
Untuk menemukan association
rule terdapat berbagai algoritma

Penggunaan Algorithma Apriori…(Sarjon Defit) 31

 JURNAL MEDIA PROCESSOR Vol. 8, No.3, Oktober 2013
yang digunakan, salah satunya
adalah algoritma Apriori karena
algoritma Apriori termasuk jenis
aturan asosiasi pada data mining.
Penerapan algoritma Apriori sudah
digunakan seperti analisis keranjang
belanja, transaksi penjualan,
penyusunan buku perpustakaan,
menampilkan informasi tingkat
kelulusan, dan pemilihan program
studi, serta perancangan sistem
informasi dengan algoritma apriori.
Dengan kondisi Perguruan
Tinggi yang menggunakan sistem
SKS, maka pemilihan mata kuliah
sangat penting karena berkaitan
dengan bidang minat dan
pengambilan tugas akhir mahasiswa
tersebut, Namun mahasiswa selalu
mengalami pertimbangan yang sulit
dalam memilih mata kuliah karena
disamping perlunya mempelajari
prasyarat pengambilan mata kuliah,
tujuan dan fungsi mata kuliah yang
akan di pilih, serta kesesuaian bidang
minat dengan program studi dari
jurusan yang ada. Oleh karena itu,
perlu dilakukan analisa pola
pemilihan mata kuliah.
Dengan memanfaatkan data
Kartu Rencana Studi (KRS) sebagai
sumber data yang akan digunakan
kedalam proses algoritma Apriori,
akan dapat diketahui pola pemilihan
mata kuliaht. Studi kasus ini sangat
diperlukan sehingga dapat diketahui
kecenderungan prilaku mahasiswa
dalam memilih mata kuliah yang
sesuai dengan bidang minat ataupun
yang tidak sesuai dengan bidang
minat yang diharapkan dan dapat
diketahui tingkat keyakinan
mahasiswa secara berkelompok
Penggunaan Algorithma Apriori…(Sarjon Defit)
maupun secara perorangan dalam
memilih mata kuliah.
Dari uraian diatas, dalam jurnal ini,
maka penulis melakukan penelitian
dengan judul “Penggunaan
Algoritma Apriori Dalam
Menganalisa Prilaku Mahasiswa
Dalam Memilih Mata Kuliah”
2. LANDASAN TEORI
2.1 Data Mining
Data mining adalah
penambangan atau penemuan
informasi baru dengan mencari pola
atau aturan tertentu dari sejumlah
data yang sangat besar (Beta, N., &
Nurdin, B. 2010, Sani, S., & Dedy,
S. 2010).
Data mining sering juga
disebut knowledge discovery in
database (KDD), adalah kegiatan
yang meliputi pengumpulan,
pemakaian data historis untuk
menemukan keteraturan, pola atau
hubungan dalam set data berukuran
besar. Keluaran dari data mining ini
bisa dipakai untuk memperbaiki
pengambilan keputusan di masa
depan. Sehingga istilah pattern
recognition sekarang jarang
digunakan karena termasuk bagian
dari data mining (Budi, S. 2007).
Knowledge Discovery in
Database (KDD) adalah penerapan
metode saintifik pada data mining.
Dalam konteks ini data mining
merupakan satu langkah dari proses
KDD (Fajar, A.H. 2013, Randy, O.P.
2012). Menurut Turban dalam
bukunya yang berjudul ”Decision
Support Systems and Intelligent
Systems”, data mining adalah suatu
istilah yang digunakan untuk
menguraikan penemuan pengetahuan
32
 JURNAL MEDIA PROCESSOR Vol. 8, No.3, Oktober 2013

di dalam basis data. Data mining Sedangkan confidence merupakan

adalah proses yang menggunakan kemungkinan munculnya Y ketika X
teknik statistik, matematika, juga muncul, dinotasikan:
kecerdasan buatan, dan machine
learning untuk mengekstraksi dan
mengidentifikasi informasi yang
bermanfaat dan pengetahuan yang
terkait dari berbagai basis data besar
(Goldie, G., & Dana, I.S. 2012). Langkah pertama pada
association rule adalah
2.2 Rule Asosiasi menghasilkan semua itemset yang
Association rules merupakan memungkinkan dengan
salah satu metode yang bertujuan kemungkinan itemset yang muncul
mencari pola yang sering muncul dengan m-item adalah 2m. Karena
diantara banyak transakasi, dimana besarnya komputasi untuk
setiap transaksi terdiri dari beberapa menghitung frequent itemset, yang
item. membandingkan setiap kandidat
Pada transaksi yang terdapat itemset dengan setiap transaksi, maka
item X terdapat kemungkinan ada ada beberapa pendekatan untuk
item Y juga didalamnya, di notasikan mengurangi komputasi tersebut,
X  Y, dimana X dan Y adalah salah satunya dengan algoritma
disjoint itemset, dinotasikan X Y, apriori.
kumpulan dari transaksi-transaksi ini Analisis asosiasi atau
disebut dengan itemset, yang di association rule mining adalah
notasikan dengan Ik (k=1, 2, ... m). teknik data mining untuk
Jika terdapat itemset, yang menemukan aturan asosiasi antara
mempunyai item sebanyak k, maka suatu kombinasi item.
disebut dengan k-itemset (Nugroho, Interestingness measure yang dapat
W., Rully, A.H., & Ahmad, M. digunakan dalam data mining adalah
2012). (Goldie, G., & Dana, I.S. 2012) :
Associantion rule ini akan a. Support, adalah suatu ukuran
menghasilkan rule yang yang menunjukkan seberapa
menggunakan seberapa besar besar tingkat dominasi suatu
hubungan antar X dan Y, dan item atau itemset dari
diperlukan dua ukuran untuk rule keseluruhan transaksi.
ini, yakni support dan confidence. b. Confidence, adalah suatu
Support merupakan kemungkinan X ukuran yang menunjukkan
dan Y muncul bersamaan yang hubungan antar dua item secara
dinotasikan: conditional (berdasarkan suatu
kondisi tertentu).
Metodologi dasar analisis
asosiasi terbagi menjadi 2 tahap,
yakni melakukan analisa pola
frekuensi tinggi (frequent pattern)

Penggunaan Algorithma Apriori…(Sarjon Defit) 33

 JURNAL MEDIA PROCESSOR Vol. 8, No.3, Oktober 2013

dan berikutnya adalah proses untuk aturan asosiasi boolean

pembentukan aturan asosiasi. (Goldie, G., & Dana, I.S. 2012).
Permasalahan association rule Apriori adalah suatu algoritma
dapat dikomposisikan menjadi dua yang sudah sangat dikenal dalam
sub masalah, yaitu (Magdalena, K., melakukan pencarian frequent
Dhinta, D., & Dana, S.K. 2007, itemset dengan menggunakan teknik
Dana, S.K., Moch.A.B., & Dhinta, association rule. Algoritma Apriori
D. 2003) : menggunakan knowledge mengenai
a. Penemuan semua item-item, frequent itemset yang telah diketahui
yang disebut frequent-itemset, sebelumnya, untuk memproses
yang support-nya lebih besar informasi selanjutnya. Pada
daripada minimum support. algoritma Apriori untuk menentukan
b. Gunakan frequent-itemset kandidat kandidat yang mungkin
untuk membangkitkan aturan muncul dengan cara memperhatikan
yang diinginkan. Idenya minimum support (Erwin. 2009).
adalah, katakan, ABCD dan Adapun dua proses utama yang
AB sering muncul dalam di lakukan dalam algortima Apriori,
transaksi, maka aturan AB yaitu:
akan dipenuhi jika a. Join (penggabungan)
perbandingan antara Pada proses ini setiap item
support(ABCD) terhadap dikombinasikan dengan item
support(AB) minimum sebesar yang lainnya sampai tidak
minimum confidence. Semua berbentuk kombinasi lagi.
rule akan mempunyai minimum b. Prune (Pemangkasan)
support karena ABCD sering Pada proses ini, hasil dari item
muncul dalam transaksi. yang telah dikombinasikan tadi
Setelah memilih dataset dan lalu dipangkas dengan
menentukan nilai minimum support menggunakan minimum
dan minimum confidence yang akan support yang telah ditentukan
digunakan dalam proses, baru oleh user.
dilakukan proses perhitungan Walaupun algoritma Apriori
association rule. Setelah selesai mudah untuk dipahami dan
proses perhitungan selesai, sistem dimplementasikan dibandingkan
akan menampilkan rule yang dengan algoritma lainnya yang
dihasilkan dan nilai confidencenya memang diterapkan untuk proses
(Eko, W.T.D. 2008). association rule, akan tetapi
algoritma Apriori juga memiliki
kekurangan yaitu, untuk melakukan
2.3 Algorithma Apriori pencarian frequent itemset, algoritma
Algoritma Apriori adalah suatu Apriori harus melakukan scanning
algoritma dasar yang diusulkan oleh database berulang kali untuk setiap
Agrawal & Srikant pada tahun 1994 kombinasi item. Hal tersebut
untuk penentuan frequent itemsets menyebabkan banyaknya waktu yang
dibutuhkan utnuk melakukan

Penggunaan Algorithma Apriori…(Sarjon Defit) 34

 JURNAL MEDIA PROCESSOR Vol. 8, No.3, Oktober 2013
scanning database. Selain itu,
dibutuhkan generate candidate yang
besar untuk mendapatkan kombinasi
item dari database.
Algoritma apriori termasuk
jenis aturan asosiasi pada data
mining. Selain apriori, yang
termasuk pada golongan ini adalah
metode Generalized Rule Induction
dan Algoritma Hash Based. Aturan
yang menyatakan asosiasi antara
beberapa atribut sering disebut
affinity analysis atau market
analysis. Analisa asosiasi atau
association rule minig adalah teknik
data mining untuk menemukan
aturan asosiatif antara suatu
kombinasi item (Kusrini & Emha,
T.L. 2009, Yogi, Y.W., F. Rian, P.,
& Gerry, T. (2006).
Algoritma Apriori dibagi
menjadi beberapa tahap yang disebut
iterasi. Tiap iterasi menghasilkan
pola frekuensi tinggi dengan
panjangyang sama dimulai dari pass
pertama yang menghasilkan pola
frekuensi tinggi dengan panjang satu.
Di iterasi pertama ini, support dari
setiap item dihitung dengan men-
scan database. Setelah support dari
setiap item kandidapat, item yang
memiliki support diatas minimum
support dipilih sebagai pola
frekuensi tinggi dengan panjang 1
atau sering disingkat 1-itemset.
Singkatan k-itemset berarti satu set
yang terdiri dari k item (Beta, N., &
Nurdin, B. 2010, Kusrini & Emha,
T.L. 2009).
Iterasi kedua menghasilkan 2-itemset
yang tiap set-nya memiliki dua item.
Pertama dibuat kandidat 2-itemset
dari kombinasi semua 1-itemset.
Lalu untuk tiap kandidat 2-itemset
Penggunaan Algorithma Apriori…(Sarjon Defit)
ini dihitung support-nya dengan
men-scan database. Support disini
artinya jumlah transaksi dalam
database yang mengandung kedua
item dalam kandidat 2-itemset.
Setelah support dari semua kandidat
2-itemset didapatkan, kandidat 2-
itemset yang memenuhi syarat
minimum support dapat ditetapkan
sebagai 2-itemset yang juga
merupakan pola frekuensi tinggi
dengan panjang 2.
Untuk selanjutnya pada iterasi
ke-k dapat dibagi lagi menjadi
beberapa bagian:
1. Pembentukan kandidat itemset
Kandidat itemset dibentuk dari
kombinasi (k-1)-itemset yang
didapat dari iterasi
sebelumnya. Satu ciri dari
algoritma Apriori adalah
adanya pemangkasan kandidat
k-itemset yang subnet-nya
yang berisi k-1 item tidak
termasuk dalam pola frekuensi
tinggi dengan panjang k-1
2. Penghitungan support dari tiap
kandidat k-itemset Support dari
tiap kandidat k-itemset didapat
dengan men-scan database
untuk menghitung jumlah
transaksi yang memuat semua
item di dalam kandidat k-
itemset tersebut. Ini adalah
juga ciri dari algoritma Apriori
dimana diperlukan perhitungan
dengan scan seluruh database
sebanyak k-itemset terpanjang.
3. Tetapkan pola frekuensi tinggi
Pola frekuensi tinggi yang
memuat k item atau k-itemset
ditetapkan dari kandidat k-
itemset yang support-nya lebih
besar dari minimum support.
35
 JURNAL MEDIA PROCESSOR Vol. 8, No.3, Oktober 2013

Bila tidak didapat pola Jumlah SKS yang diambil oleh

frekuensi tinggi baru maka mahasiswa berdasarkan Peraturan
seluruh proses dihentikan. Bila Akademik FKIP UPI “YPTK”
tidak, maka k ditambah satu Padang berdasarkan Indeks Prestasi
dan kembali ke bagian 1. Semester (IPS) yang dikategorikan
Apabila dituliskan dalam seperti terlihat pada tabel 3.2 di
bentuk pseudocode, algoritma apriori lampiran.
adalah sebagai berikut (Leo, W.S. Data yang digunakan dalam analisa
2003): ini hanya menggunakan data Mata
Kuliah Pilihan Wajib Jurusan
F1 = {Frequent1 – Item sets}; Semester IV seperti terlihat tabel 3.3
K = 2; di lampiran.
While (Fk-1 tidak kosong) Berdasarkan mata kuliah
{ diatas, untuk proses selanjutnya pada
Ck = Apriori_generate(Fk-1); tabel 3.4 di lampiran diberikan data
Untuk semua transaksi dalam T transaksi pengambilan mata kuliah
{ oleh Mahasiswa dalam satu semester.
Subset(Ck, t);
} 3.2 Analisa Algorithma
Fk = { C in Ck s.t. c.count >= min_sprt}; APRIORI
} Berdasarkan algorithma
Answer = Union dari semua set Fk; Appriori yang diberikan diatas,
Apriori_generate (F (k-1)) langkah-langkah algoritma Apriori
{
dapat digambarakan seperti gambar 1
join Fk-1 dengan sehingga Fk-1,
di bawah ini:
c1 = (i1, i2, …, Ik-1) dan c2 = (J1, J2, …,
Jk-1) join bersama-sama jika Ip = Jp
untuk 1<=p<=k-1,
dan kemudian candidate baru, c, punya
bentuk c=(i1, i2, …, Ik-1, Jk-1).
c kemudian ditambahkan ke struktur
hash tree.
}

3. ANALISA DAN
PEMBAHASAN
3.1 Analisa Data
Data mentah yang digunakan
dalam penelitian ini adalah data
Kartu Rencana Studi, disebut KRS.
KRS merupakan kartu yang berisi
daftar mata kuliah yang akan diikuti
oleh mahasiswa dalam satu semester
seperti terlihat pada table 3.1 di
lampiran.

Penggunaan Algorithma Apriori…(Sarjon Defit) 36

 JURNAL MEDIA PROCESSOR Vol. 8, No.3, Oktober 2013

Mulai Tabel 3.5. Tabel Frequent Itemset (1-

Item, C1)
Data

Itemsets (C1) Support ( %)

Dapatkan Frekuensi items
TK 20
PBW 30
Mencari Candidate itemsets
TM 55
Pangkas Candidate itemset untuk
memenuhi Frekuensi itemsets
OA 50
PBO 60
T
Memenuhi atau tidak TP 20
?
SD 20
Y

Aturan Asosiasi Tabel 3.6. Tabel Frequent Itemset (2-

Itemset, C2)
Mencari Lift Rasio

Itemsets (C2) Support (%)

Aturan Asosiasi yang di peroleh TK, PBW 20,000
PBW, TP 20,000
Selesai PBW, SD 20,000
TM, OA 45,000
Gambar 3.1. Flowchart Apriori TM, PBO 45,000
OA, PBO 45,000
3.2.1. Pembentukan Pola TP, SD 20,000
Frekuensi Tinggi (Frequent
Itemset) Tabel 3.7. Tabel Frequent Itemset (3-
Pola frekuensi tinggi adalah Itemset, C3)
pola-pola item di dalam suatu
database yang memiliki frekuensi Itemsets (C3) Support %
atau support diatas ambang batas TM, OA, PBO 40,000
tertentu yang disebut dengan istilah TP, SD, PBW 20,000
minimum support atau threshold.
Jika jumlah transaksi kurang dari Tabel 3.7 diatas tidak
threshold maka kombinasi item tidak dilanjutkan lagi ke pembentukan C4
akan diikutkan perhitungan karena tidak ada lagi item yang bisa
selanjutnya. dikombinasikan dengan ketentuan
Dari tabel 3.4 di lampiran, minimal support 20%, jadi proses
misalkan minimum support = 20%, pembentukan C-itemset dihentikan.
diperoleh frequent itemsets seperti
pada tabel 3.5, 3.6 dan 3.7 berikut: 3.2.2 Pembentukan Rule Asosiasi
Setelah semua pola frekuensi
tinggi ditemukan, barulah dicari

Penggunaan Algorithma Apriori…(Sarjon Defit) 37

 JURNAL MEDIA PROCESSOR Vol. 8, No.3, Oktober 2013

aturan asosiasi yang memenuhi Jika mengambil TPmaka mengambil

syarat minimum untuk confidence PBW [S= 20%, C = 100%]
dengan menghitung confidence Data yang digunakan diatas
aturan asosiasi X  Y, misal juga sudah diimplementasikan
Minimum Confidence 80%. dengan menggunakan software Data
Berdasarkan tabel 3.6 dan 3.7 Mining Tanagra yang menghasilkan
diatas, dengan Algoritma Apriori, rule asosiasi seperti pada gambar 3.2
didapatkan Rule Asosiasi seperti dibawah.
tabel 3.8.

Tabel 3.4. Rule Asosiasi

Rule Asosiasi
Support Confidence
TKPBW 20 100

TPPBW 20 100
SDPBW 20 100
TMOA 45 82
OATM 45 90
TMPBO 45 82
OAPBO 45 90
TPSD 20 100
SDTP 20 100
TM,OAPBO 40 88
PBO,OATM 40 88 Gambar 4.2: Rule Asosiasi dengan
OAPBO,TM 40 80 TANAGRA
PBO,TMOA 40 89
TP,SDPBW 20 100 4. KESIMPULAN
PBW,TPSD 20 100
SDPBW, TP 20 100 Berdasarkan hasil analisa dna
pengujian yang telah dilakukan dapat
TPPBW,SD 20 100
disimpulkan sebagai berikut:
PBW,SDTP 20 100 1. Algoritma Apriori dapat
digunakan untuk menganalisa
Dari tabel 3.8 di atas dihasilkan pola prilaku mahasiswa dalam
18 Rule Asosiasi yang memenuhi memilih mata kuliah
minimum Support dan Minumum 2. Pola prilaku yang diperoleh dapat
Confidence, diantaranya: digunakan sebagai acuan bagi
Jika mengambil TK maka mengambil Program Studi untuk
PBW [S = 20%, C = 100%] menganalisa kecendrungan
mahasiswa dalam memilih mata
kuliah wajib Program Studi.

Penggunaan Algorithma Apriori…(Sarjon Defit) 38

 JURNAL MEDIA PROCESSOR Vol. 8, No.3, Oktober 2013

Daftar Pustaka

Beta, N., & Nurdin, B. (2010). Implementasi data Mining Untuk

Menemukan Pola Hubungan Tingkat Kelulusan Mahasiswa Dengan Data Induk
Mahasiswa. Prosiding Seminar dan Call Paper Munas APTIKOM Politeknik
Telkom Bandung, 09 Oktober 2010.

Budi, S. (2007). Data Mining : Teknik Pemanfaatan Data untuk Keperluan

Bisnis Teori & Aplikasi. Graha Ilmu.

Dana, S.K., Moch.A.B., & Dhinta, D. (2003). Data Mining Dengan

Algoritma Apriori Pada RDBMS Oracle. Jurnal Penelitian dan Pengembangan
TELEKOMUNIKASI, Juni 2003, Vol.8 No. 1.

Eko, W.T.D. (2008). Penerapan Metode Association Rule Menggunakan

Algoritma Apriori Untuk Analisa Pola data Hasil Tangkapan Ikan. Konferensi dan
Temu Nasional Teknologi Informasi dan Komunikasi Untuk Indonesia, 21-23 Mei
2008, Jakarta.

Erwin. (2009). Analisis Market Basket Dengan Algoritma Apriori dan FP-
Growth. Jurnal Generic. ISSN 1907-4093.

Fajar, A.H. (2013). Data Mining. Penerbit Andi.

Goldie, G., & Dana, I.S. (2012). Penerapan Metode Data Mining Market
Basket Analysis Terhadap Data Penjualan Produk Buku Dengan Menggunakan
Algoritma Apriori dan Frequent Pattern Growth (FP-Growth) : Studi Kasus
Percetakan PT. Gramedia. Jurnal Telematika MKOM Vol. 4 No.1 Maret 2012.
ISSN: 2085-725X

Kusrini & Emha, T.L. (2009). Algoritma Data Mining. Penerbit Andi
Yogyakarta.

Leo, W.S. (2003). Pembuatan Perangkat Lunak data Mining Untuk

Penggalian Kaidah Asosiasi Menggunakan Metode Apriori. Jurnal
INFORMATIKA Vol. 4 No. 2, November 2003.

Penggunaan Algorithma Apriori…(Sarjon Defit) 39

 JURNAL MEDIA PROCESSOR Vol. 8, No.3, Oktober 2013

Magdalena, K., Dhinta, D., & Dana, S.K. (2007). Aturan Asosiasi Spatial
Pada Basis Data Spasial. Prosiding Seminar Nasional Aplikasi Teknologi
Informasi (SNATI) 2007, Yogyakarta, 16 Juni 2007. ISSN: 1907-5022.

Nugroho, W., Rully, A.H., & Ahmad, M. (2012). Pengembangan Sistem

Rekomendasi Penelusuran Buku dengan Penggalian Association Rule
Menggunakan Algoritma Apriori (Studi Kasus Badan Perpustakaan dan Kearsipan
Provinsi Jawa Timur). Jurnal Teknik ITS Vol. 1, September 2012. ISSN : 2301-
9271.

Randy, O.P. (2012). Rancang Bangun Data Warehouse Untuk Analisis

Kinerja Penjualan Pada Industri Dengan Model SPA-DW (Sales Performance
Analysis – Data Warehouse). Tesis. Program Pascasarjana Universitas
Diponegoro.

Sani, S., & Dedy, S. (2010). Pengantar Data Mining : Menggali

Pengetahuan dari Bongkahan Data. Penerbit Andi Yogyakarta.

Yogi, Y.W., F. Rian, P., & Gerry, T. (2006). Penerapan data Mining Dalam
penentuan Aturan Asosiasi Antar Jenis Item. Prosiding Seminar Nasional Aplikasi
Teknologi Informasi (SNATI) 2006, Yogyakarta, 17 Juni 2006. ISSN: 1907-5022.

Penggunaan Algorithma Apriori…(Sarjon Defit) 40

 JURNAL MEDIA PROCESSOR Vol. 8, No.3, Oktober 2013

Lampiran:
Tabel 3.1 Atribut KRS

Atribut Keterangan
NPM Adalah kode yang dimiliki mahasiswa sebagai
nomer unik indentitas di perguruan tinggi
Nama Merupakan nama lengkap mahasiswa yang
mahasiswa bersangkutan
Kode Mata Merupakan Kode unik dari suatu nama mata kuliah
Kuliah (KM)
Nama Dosen Merupakan dosen yang mengajar atau yang
mengampu dari jenis mata kuliah.
Nama Mata Merupakan mata kuliah yang dipilih mahasiswa
kuliah sesuasi dengan syarat ketentuan dari hasil IPK mahasiswa
tersebut.
Kelas Merupakan kelas yang dipilih sesuai dengan jenis
mata kuliah dan nama dosen terkait.
Jurusan Merupakan nama jurusan yang dipilih mahasiswa
SKS Merupakan jumlah satuan kredit semester (SKS)
mata kuliah yang diambil dengan jumlah yang ditentukan
Tahun Merupakan tahun pada saat mengikuti perkuliahan
Ajaran

Tabel 3.2. Kategori Persyaratan KRS

Kate IP semester Jumlah SKS

gori
1 > - 3,00 24 SKS
2 2,50 – 2,99 21 SKS
3 2.00 – 2,49 18 SKS
4 1,50 – 1,99 15 SKS
5 < 1,50 < 12 SKS

Tabel 3.3. Data Mata Kuliah Pilihan Wajib Jurusan

N S Kode Mata Nama Mata kuliah SKS

O imbol Kuliah
1 T KKPT2200 Teknik Komputasi 3
. K 1
2 P KKPT2200 Pemrograman Berbasis 3
. BW 3 Web

Penggunaan Algorithma Apriori…(Sarjon Defit) 41

 JURNAL MEDIA PROCESSOR Vol. 8, No.3, Oktober 2013

3 T KKPT4301 Teknologi Multimedia 3

. M 0
4 O KKPT4300 Organisasi dan Arsitektur 2
. A 8
5 P KKPT4300 Pemrograman Berorientasi 3
. B 7
6 T KKPT6302 Teknologi Komunikasi 4
. KM 4 Mode
7 T KKPT2201 Teknologi Pembelajaran 3
. P 2
8 S KKPT2200 Struktur Data 3
. D 2

Tabel 3.4 Format Tabular Data Transaksi

No TK PBW TM OA PBO TKM TP SD

1 1 1 0 0 0 0 1 1
2 1 1 0 0 0 0 1 1
3 0 0 1 1 1 1 0 0
4 0 0 1 1 1 0 0 0
5 0 0 1 1 1 1 0 0
6 0 1 0 0 0 0 1 1
7 0 0 0 1 1 0 0 0
8 0 0 1 1 1 0 0 0
9 0 1 0 0 0 0 0 0
10 0 0 1 1 0 0 0 0
11 0 0 1 1 1 0 0 0
12 0 0 1 1 1 0 0 0
13 0 0 1 1 1 1 0 0
14 0 0 1 0 0 0 0 0
15 1 1 0 0 0 0 1 1
16 0 0 0 0 1 0 0 0
17 0 0 1 0 1 0 0 0
18 0 0 1 1 1 0 0 0
19 1 1 0 0 0 0 0 0
20 0 0 0 0 1 0 0 0
Jumlah 4 6 11 10 12 3 4 4

Penggunaan Algorithma Apriori…(Sarjon Defit) 42