Proposal Apriori-Bramastyo-11190636
Proposal Apriori-Bramastyo-11190636
PENGUSUL
(Bramastyo Kusumo/ 11190636)
Menyetujui
Ketua PPPM STMIK Nusa Mandiri
ii
DAFTAR ISI
Halaman
RINGKASAN ....................................................................................................... iv
LAMPIRAN-LAMPIRAN ................................................................................... 8
iii
RINGKASAN
iv
BAB I
PENDAHULUAN
1
mengakibatkan kenaikan kinerja yang baik [Bhandari et al., 2015][Han and
Kamber, 2014] Namun dalam situasi dengan frequent itemset yang sangat banyak
atau minimum support yang sangat rendah, Apriori perlu berulang kali memindai
seluruh database dan memeriksa satu set kandidat dengan pencocokan pola
[Bhandari et al., 2015][Han and Kamber, 2014]. Proses yang terjadi pada
algoritma Apriori terdiri dari dua tahap yaitu tahap penggabungan (The Join Step)
dan tahap pemangkasan (The Prune Step) [Han and Kamber, 2014].
2
BAB II
TINJAUAN PUSTAKA
1. Keranjang Belanja
Keranjang Belanja adalah itemset yang dibeli secara bersamaan oleh
pelanggan pada satu transaksi ke toko [Cavique, 2007]. Analisis keranjang belanja
adalah metode data mining yang berfokus menemukan pola pembelian dengan
menganalisis data transaksi sebuah toko [Wu and Kumar, 2009].
2. Data Mining
Menurut [Bruce, 2013] Data Mining adalah suatu proses untuk menemukan
sebuah struktur yang menarik di dalam sebuah data. Struktur tersebut mempunyai
banyak bentuk, termasuk seperangkat aturan, grafik atau jaringan, pohon, satu
atau beberapa persamaan dan masih banyak lagi. Penambangan data
menggunakan satu atau beberapa algoritma untuk tujuan identifikasi dan
menemukan pola yang menarik di dalam data. Tujuannya adalah untuk
menerapkan sesuatu yang telah di temukan pada situasi baru. Menurut [Ahmed et
al., 2015] data mining adalah bagian dari proses penemuan pengetahuan yang
lebih besar meliputi pra pemrosesan seperti ekstraksi data, pembersihan data,
penggabungan data, pengurangan data , serta langkah langkah setelah pemrosesan
seperti pola dan model, konfirmasi hipotesis dan generasi dan lain sebagainya.
3
Tertentu, atau gabungan dari nilai, item, kata, dll. (Misalnya, jika ( Mobil = BMW
dan Gender = Pria dan Usia <20) lalu (Risiko = Tinggi dan Asuransi =
Tinggi)).[Rao and Guptha, 2012].
B. Apriori
Algoritma Apriori adalah salah satu algoritma paling populer dalam
penambangan data untuk mempelajari konsep aturan asosiasi [Bhandari et al.,
2015]. Ini adalah metode yang sering digunakan oleh begitu banyak orang secara
khusus untuk membedah transaksi penjualan dan juga dapat digunakan dalam
kasus nyata (misalnya, toko kelontong, toko umum, perpustakaan dll.) Dengan
mengumpulkan barang yang dibeli oleh pelanggan dari waktu ke waktu sehingga
pencarian itemset yang sering terjual dapat dihasilkan. Itemset yang sering
(itemset dengan frekuensi lebih besar dari atau sama dengan dukungan minimum
yang ditentukan pengguna) dapat ditemukan dengan sangat mudah karena
banyaknya kombinasi. Detail prosedur algoritma apriori pertama adalah mecari
frequent 1-itemset yang di sebut dengan L1, kemudian L1 dipergunakan untuk
mencari L2 yaitu frequent 2-itemset ,proses akan berakhir ketika algoritma tidak
dapat menemukan frequent k-itemset [Cheng et al., 2015].
4
BAB III
METODE PENELITIAN
5
BAB IV
BIAYA DAN JADWAL PENELITIAN
WAKTU
NO JENIS KEGIATAN BULAN 1 BULAN 2 BULAN 3
1 2 3 4 1 2 3 4 1 2 3 4
1 Persiapan Data Awal
2 Penelusuran Pustaka
3 Pengumpulan Data Primer
5 Input dan pengolahan data
6 Pembuatan Laporan Penelitian
6
DAFTAR PUSTAKA
Ahmed AM, Rizaner A, Ulusoy AH, Silva LLA, Silva LLA, Kaur P, Singh M,
Josan GS, Zaki MJ, Carmona C, Castillo G, Millán E, Fernandes E, Holanda
M, Victorino M, Borges V, Carvalho R, Erven G Van, Marbouti F, Diefes-
Dux HA, Madhavan K, Fayyad U, Piatetsky-Shapiro G, Smyth P, Rodrigues
MW, Isotani S, Zárate LE, Mohamad SK, Tasir Z, Costa E, Baker RSJ,
Amorim L, Magalhães J. 2015. DATA MINING Fundamental Concepts and
Algorithms. 1–29 p.
Annie LC, Kumar. 2012. Market Basket Analysis for a Supermarket based on
Frequent Itemset Mining. Int. J. Comput. Sci. Issues 9: 257–264.
Bhandari A, Gupta A, Das D. 2015. Improvised apriori algorithm using frequent
pattern tree for real time applications in data mining. In: Procedia Computer
Science., p 644–651.
Bruce 2017. Data Mining A Tutorial - Based Primer Second Edition. 1689–1699
p.
Cavique L. 2007. A scalable algorithm for the market basket analysis. J. Retail.
Consum. Serv. 14: 400–407.
Chandra B, Bhaskar S. 2011. A new approach for generating efficient sample
from market basket data. Expert Syst. Appl. 38: 1321–1325.
Cheng X, Su S, Xu S, Li Z. 2015. DP-Apriori: A differentially private frequent
itemset mining algorithm based on transaction splitting. Comput. Secur. 50:
74–90.
Han J, Kamber M. 2014. Data mining: Data mining concepts and techniques.
203–207 p.
Lin KC, Liao IE, Chang TP, Lin SF. 2014. A frequent itemset mining algorithm
based on the Principle of Inclusion-Exclusion and transaction mapping. Inf.
Sci. (Ny). 276: 278–289.
Liu X, Zhai K, Pedrycz W. 2012. An improved association rules mining method.
Expert Syst. Appl. 39: 1362–1374.
Rao S, Guptha P. 2012. “Implementing Improved Algorithm Over APRIORI Data
Mining Association Rule Algorithm.” Ijcst 8491: 489–493.
Videla-Cavieres IF, Ríos SA. 2014. Extending market basket analysis with graph
mining techniques: A real case. Expert Syst. Appl. 41: 1928–1936.
Wu X, Kumar V. 2009. The Top Ten Algorithms in Data Mining. 208 p.
7
LAMPIRAN-LAMPIRAN
TOTAL Rp 5.370.000
8
BIODATA PENGUSUL
1. Identitas Diri
2. Riwayat Pendidikan
GELAR TANGGAL
No. PERGURUAN TINGGI JENJANG
AKADEMIK IJAZAH
Bina Sarana Informatika
1 A.md - Diploma 3
Bekasi
Semua data yang saya isikan dan tercantum dalam biodata ini adalah benar dan
dapat dipertanggungjawabkan secara hukum. Apabila di kemudian hari ternyata
dijumpai ketidak sesuaian dengan kenyataan, saya sanggup menerima sanksi.
Demikian biodata ini saya buat dengan sebenarnya untuk memenuhi salah satu
persyaratan dalam Mata Kuliah Rekayasa Perangkat Lunak
(Bramastyo Kusumo)
NIM : 11190636