Advanced Database Course Assigment
Advanced Database Course Assigment
Ringkasan Paper
A. Implementasi Algoritma Apriori
o Data Mining for Student's Trends Analysis Using Apriori Algorithm, Atta-ur-
Rahman1 and Sujata Dash2, 2017, ISSN: 0974-5572
o Association Rules Extraction for Customer Segmentation in the SMEs Sector Using
the Apriori Algorithm, Jesus Silvaa1, Noel Varelab2, Luz Adriana Borrero Lópezc 3,
Rafael Humberto Rojas Millánd4, 2019, DOI: 10.1016/j.procs.2019.04.173
o Implementasi Kesesuaian Obat Pada Penyakit Menggunakan Algoritma Apriori,
Yennimar1 , Evan Chandra Sibarani2, Irwansyah3, Muhammad Iqbal Tri Rahmadi4,
Reza Syahputra5, 2019, e-ISSN 2580-9741
Ringkasan
Identifikasi Masalah
Untuk menghasilkan profesional TI yang kompeten, universitas harus menyediakan
pendidikan yang lebih baik dan cocok untuk siswa mereka. Salah satu alternatif untuk
menyediakan program pendidikan yang sesuai bagi siswa adalah dengan menemukan pola
untuk memprediksi pendaftaran siswa dalam program tertentu, kinerja siswa dan
informasi terkait lainnya. Knowledge Discovery in Database dan Data Mining dapat
digunakan untuk mengekstraksi pengetahuan yang bermanfaat, khususnya Association
Rules Mining. Dalam penelitian ini, algoritma apriori digunakan untuk menemukan
pengetahuan yang menarik di mana hasilnya diterapkan pada Course Management System
(CMS) untuk membantu siswa baru untuk mendaftar pada program yang lebih sesuai
berdasarkan profil mereka.
Penelitian Terkait
Educational Data Mining adalah salah satu bidang penelitian yang akhir-akhir ini
muncul kepermukaan. Penelitian yang berfokus untuk mendapatkan pengetahuan dari
database dalam lingkungan pendidikan penting untuk membangun pemahaman tentang
bagaimana atau mengapa beberapa atribut kondisi mempengaruhi kualitas kinerja
pendidikan siswa.
Algoritma Apriori sebagai salah satu metode dalam menghasilkan aturan asosiasi telah
digunakan oleh para peneliti untuk memperoleh pengetahuan dari basis data. Asif, M dan J.
Ahmad dalam penelitian mereka menemukan bahwa algoritma Fp-Tree bekerja lebih baik
dalam menemukan asosiasi pada dataset besar jika dibandingkan dengan algoritma apriori,
tetapi algoritma apriori itu sendiri tidak dapat dikesampingkan karena bekerja secara
efisien untuk dataset kecil.
Alaa el-Halees menggunakan data mining untuk meningkatkan kinerja siswa,
dikombinasikan dengan metode Rule Induction dan Naïve Bayes untuk memprediksi nilai
siswa. Clustering dilakukan dengan menggunakan algoritma K-means dan hasil
penelitiannya cukup bermanfaat bagi universitas.
Bhardwaj dan Pal dalam penelitian mereka menemukan bahwa kinerja siswa
dipengaruhi oleh tingkat pendidikan ibu mereka, area tempat tinggal dan faktor keluarga
lainnya. Kesimpulan ini ditemukan setelah menerapkan klasifikasi Bayesian pada berbagai
atribut bersyarat dari siswa.
Pandey dan Pal menemukan fakta yang lebih menarik bahwa bahasa dan latar
belakang pendidikan sangat mempengaruhi kinerja siswa di masa depan sementara
kualifikasi komputer mereka bias atau mungkin tidak menjadi faktor yang mempengaruhi.
Kesimpulan ini dibuat dengan menerapkan teknik klasifikasi.
Persiapan data/Ekstraksi
Riset ini menggunakan database siswa pada Barani Institute of Information
Technology di Pakistan terhadap 3500 siswa. Database itu sendiri terdiri dari berbagai
atribut dan hanya atribut terkait penelitian yang akan diproses. Atribut yang sesuai yang
telah diekstrak dari basis data akan diproses lebih lanjut.
Data Preprocess
Database harus melewati tahapan preprocess sebagai tahapan yang penting sebelum
dilanjutkan pada proses data mining. Langkah ini berguna untuk mengidentifikasi data-
data dengan atribut yang kehilangan nilai, tidak relevan, berulang dan nilai-nilai yang
kacau yang terdapat pada dataset. Database yang tidak bersih akan berakibat pada hasil
penilaian pattern yang bias dan tidak akurat.
Pada tahapan ini akan dihasilkan daftar atribut yang cocok untuk digunakan dalam
riset ini.
Attribute Values
Discipline BCS/BIT/MCS/MIT
Location Urban/Rural
Confidence(XY)=Support(X∩Y)/Support(Y)