1.

Pendahuluan

YouTube merupakan salah satu media sosial dengan situs web yang menyediakan
berbagai macam video mulai dari video clip sampai film, serta video-video yang dibuat
oleh pengguna YouTube itu sendiri. Dimana kita bisa menikmati media sosial ini dengan
cara melihat video atau gambar yang bergerak. Dan kita tau bahwa YouTube ini sangat
mudah untuk di gunakan dan kini hadir di aplikasi ponsel seluler. YouTube merupakan
salah satu media sosial yang sangat populer sekarang. Dimana sekarang banyak orang
yang menggunakan YouTube sebagai tempat untuk berkarya terutama untuk anak muda.
Rata-rata anak muda yang menggunakan YouTube sebagai tempat berkarya adalah
dengan membuat video-video. Orang orang yang menggunakan YouTube sebagai tempat
berkarya mereka biasa di sebut YouTubers. Oleh karena itu tidak sedikit orang-orang
menjadi terkenal hanya dengan mengupload video mereka di YouTube. YouTube juga
bisa jadi wadah untuk berpenghasilan dimana jika video yang di upload atau di unggah
memiliki viewers yang sangat banyak maka itu akan menjadi royalti untuk si pengupload.
Maka dari itu sekarang YouTube sangatlah di minati oleh berbagai kalangan. Dan juga
YouTube ini menjadi media sosial yang sangat populer karena pengguna dan
penikmatnya bisa menggunakan secara gratis entah untuk mengupload video atau pun
sekedar menikmati video di YouTube.
Namun data yang sudah terlalu banyak akan sangat sulit jika diolah secara
manual. Oleh karena itu, melalui perkembangan Teknologi Informasi saat ini, dapat
dimanfaatkan software tools untuk melakukan analisis meta data salah satunya adalah
Rapid Miner. Dalam penelitian ini, Rapid Miner digunakan untuk melakukan proses
cleansing data, preprocessing data dan kemudian dilakukan processing data
menggunakan association model dengan metode FPGrowth yang akan menghasilkan
rule-rule yang berisi relasi hubungan antar Video Trending Youtube berdasarkan views ,
like dan comment.

2. Metode

Fitria menggunakan algoritma FP-Growth untuk meneliti hubungan faktor-faktor

penyebab kecelakaan. Data seputar kecelakaan dianalisa dengan menggunakan teknik data
mining. Tujuan dari penelitian ini untuk menemukan informasi berupa pola kecelakaan yang
dapat digunakan sebagai acuan dalam pengambilan kebijakan di Satuan Lalu Lintas
(Satlantas) Polresta Pekanbaru. Teknik data mining yang digunakan adalah teknik data
mining asosiasi (association rule) dengan algoritma Fp-Growth. Algoritma ini menerapkan
struktur data tree (pohon) untuk mengetahui pola kecelakaan lalu lintas. Sistem
dikembangkan dengan bahasa pemograman Visual Basic.Net. Penelitian ini menghasilkan
pola kecelakaan yang sering terjadi. Berdasarkan pengujian yang dilakukan Fitria dengan lift
ratio, didapatkan pola kecelakaan yang paling sering terjadi, yaitu faktor kecelakaan dengan
jenis luka adalah luka ringan, jenis jalan adalah jalan arteri, waktu adalah padat kendaraan,
dan jenis kelamin adalah perempuan. Sedangkan hasil pengujian skala Likert didapatkan
bahwa 88.09% pengguna merasa dimudahkan dengan sistem ini dan dapat membantu mereka
dalam mengetahui pola kecelakaan yang sering terjadi [1]

Pada penelitian kedua sebelumnya mengenai “Implementasi, Algoritma FP-Growth untuk

Strategi Pemasaran Ritel Hidroponik (Studi Kasus : PT. HAB)”. Pada penelitian ini dibahas
mengenai tentang PT. Hidroponik Agrofarm Bandungan (HAB) perusahaan yang bergerak
di bidang budidaya sayur dan buah hidroponik. PT. HAB mengalami permasalahan dalam
menjual hasil panen. Permasalahan pertama, produk PT. HAB adalah sayur dan buah segar
tanpa pengawet yang tidak dapat bertahan lama. Permasalahan kedua, perilaku pelanggan
sulit ditebak di pasar sehingga barang tidak terjual maksimal. PT. HAB memerlukan strategi
pemasaran yang tepat. Kebiasaan belanja pelanggan dapat dicari polanya menggunakan
teknik data mining asosiasi. Ada dua algoritma dalam analisis asosiasi, yaitu Apriori dan FP-
Growth. Penelitian ini mengusulkan implementasi algoritma FP-Growth dengan software
open source Weka untuk strategi pemasaran ritel hidroponik. Ada dua ukuran yang
digunakan dalam analisis asosiasi, yaitu support dan confidence. Support untuk mengetahui
tingkat dominasi suatu barang dalam sebuah transaksi, confidence untuk mengetahui tingkat
kepercayaan suatu barang yang terjual bersama-sama. Penelitian ini menggunakan minimum
suport 0,05 dan minimum confidence 0,9, menghasilkan 21 rule yang dapat digunakan
sebagai strategi pemasaran PT. HAB. [2]
Data Mining merupakan sebuah proses untuk pencarian pola informasi dalam suatu data
terpilih menggunakan teknik atau metode tertentu. Salah satu metode yang terdapat pada
Data Mining adalah FP-Growth dan Association Rule. Metode Frequent Pattern Growth
(FPGrowth) adalah salah satu alternatif algoritma yang dapat digunakan untuk menentukan
himpunan data yang paling sering muncul (frequent item set) dalam sebuah kumpulan data
[3]. Metode FP-Growth dibagi menjadi tiga tahapan utama, yaitu tahap pembangkitan
conditional pattern base, tahap pembangkitan conditional FP-Tree, dan tahap pencarian
frequent itemset [4]. FP-Growth merupakan pengembangan algoritma Apriori, FP-Growth
dalam proses pencarian frekuensi itemset sudah sangat baik dari algoritma apriori namun
rules yang dihasilkan tidak sebaik algoritma Apriori [5].

Sedangkan, Association Rule Mining adalah suatu prosedur untuk mencari hubungan antar
item dalam suatu dataset [6]. Penting tidaknya Association Rules dapat diketahui dengan dua
parameter, yaitu nilai support (nilai penunjang) dan nilai confidence (nilai kepastian) [7].
Dalam menentukan suatu hubungan, terdapat ukuran kepercayaan (interestingness measure),
yaitu : (1) Support : support merupakan ukuran yang menunjukkan seberapa besar tingkat
dominasi suatu barang (item atau itemset) terhadap keseluruhan transaksi. Ukuran ini
digunakan untuk menentukan apakah suatu item atau itemset layak untuk dicari confidence-
nya. (2) Confidence : confidence merupakan suatu ukuran yang menunjukkan hubungan
antara dua buah barang atau item secara conditional. Sebagai contoh jika confidence A dan B
bernilai satu (100%), maka dapat disimpulkan bahwa jika pelanggan membeli A pasti
membeli B. Akan tetapi jika nilai confidence hanya mendekati satu (misal 0,08) maka
kesimpulannya adalah jika pelanggan membeli barang A maka cenderung membeli B [8].

Nilai support dan nilai confidence dirumuskan seperti Persamaan 1 dan Persamaan 2.

Dalam penelitian ini kami menggunakan metode FP-Growth dan Association rules.
Algoritma FP-Growth lebih efisien dalam memproses market basket atau data keranjang
belanja konsumen [9]. Sedangkan, dengan menggunakan association rule dapat diketahui
hubungan tiap item produk. Tahapan penelitian ini dibagi menjadi empat tahapan utama yaitu
pengumpulan data, preprocessing data didalamnya terdapat proses Extract, Transform dan
Loading, kemudian tahap data mining menggunakan metode FP-Growth dan Association
rules dan terakhir adalah tahapan analisis hasil. Pada Gambar 1 menunjukan tahapan
penelitian ini.

Gambar 1. Alur Penelitian

Daftar Pustaka

R. Fitria, W. Nengsih, and D. H. Qudsi, "Implementasi Algoritma Fp-growth dalam

Penentuan Pola Hubungan Kecelakaan Lalu Lintas," Jurnal Sistem Informasi, vol. 13, no. 2,
pp. 118–124, 2017.
Y. D. Lestari, “Penerapan Data Mining Menggunakan Algoritma FP-Tree dan FP-Growth
Pada Data Transaksi Penjualan Obat,” Snastikom, pp. 60–65, 2017.
 M. Syahrir and F. Fatimatuzzahra, “Association Rule Integrasi Pendekatan Metode
Custom Hashing dan Data Partitioning untuk Mempercepat Proses Pencarian Frekuensi Item-
set pada Algoritma Apriori,” MATRIK J. Manajemen, Tek. Inform. dan Rekayasa Komput.,
vol. 20, no. 1, pp. 149–158, 2020.
W. W. Ariestya, W. Supriyatin, and I. Astuti, “Marketing Strategy for the Determination
of Staple Consumer Products Using Fp-Growth and Apriori Algorithm,” J. Ilm. Ekon. Bisnis,
vol. 24, no. 3, pp. 225–235, 2019.
A. Abdullah, “Rekomendasi Paket Produk Guna Meningkatkan Penjualan Dengan
Metode FP-Growth,” Khazanah Inform. J. Ilmu Komput. dan Inform., vol. 4, no. 1, p. 21,
2018.
J. E. Tjhandra and Y. Widiastiwi, “Implementasi Algoritma FP-GROWTH Untuk
Menentukan Frequent Item Set Pada Peyediaan Sparepart (Studi Kasus: Bengkel Resmi
Yamaha Anugerah Motor),” SEINASI-KESI, pp. 24–25, 2019.

Adi Nugroho Susanto Putro, and Richardus Indra Gunawan, “Implementasi, Algoritma FP-
Growth untuk Strategi Pemasaran Ritel Hidroponik (Studi Kasus : PT. HAB)”, Program Studi
Teknik Informatika, Fakultas Teknik, Universitas Kristen Surakarta, 22 April 2019.

F. Fitriyani, “Implementasi Algoritma FP-Growth Menggunakan Association Rule Pada

Market Basket Analysis,” J. Inform., vol. 2, no. 1, 2016.