ANALISA DATA MAHASISWA PROGRAM STUDI PGSD

MENGGUNAKAN APLIKASI JUPYTER NOTEBOOK

LAPORAN TUGAS AKHIR

ANALITIKA DATA C
(Untuk Memenuhi Syarat Lulus Mata Kuliah Analitika Data Kelas C)

Dosen Pengampu
Samsul Amar, S.T., M.Sc.

Tim Penyusun:
Lintang Pramesti Batari Kirana (200421100054)
Risti Cahyani (200421100070)
Fajar Yahya Yazidiq (200421100140)
Siti Nurul Azizah (200421100165)

JURUSAN TEKNIK INDUSTRI

FAKULTAS TEKNIK
UNIVERSITAS TRUNOJOYO MADURA
2022
 BAB I
PENDAHULUAN

1.1 Latar Belakang

Analitika Data kelas C merupakan salah satu mata kuliah dengan
pembentukan kelompok dalam menyelesaikan tugas akhir yang diberikan oleh
dosen pengampu. Kelompok 8 Analitika Data kelas C bertugas melakukan analisa
data prodi tertentu berdasarkan data yang telah dibagikan. Pekerjaan yang harus
dilakukan yaitu memprediksi IPK serta menentukan bobot untuk penerimaan
mahasiswa baru jalur SNMPTN. Penyelesaian yang dilakukan yaitu dengan
menganalisa data oleh user. Kemudian menginputkan data pada aplikasi Jupyter
Notebook dimana aplikasi ini telah banyak digunakan dalam membuat dan berbagi
dokumen interaktif dengan kode, hasil hitungan, visualisasi, serta teks yang
diinginkan.
Penulis melakukan pengujian data yaitu tahap pertama membuat
preprocessing data dimana merubah nama kolomnya kemudian merubah atau
menghapus data bernilai kosong dan mengganti data yang tidak sesuai format,
langkah kedua adalah melakukan exploratory data analysis (EDA) dengan
mencari statistik deskriptif (mean, median, modus, standard deviasi, range) serta
visualisasi datanya, tahap ketiga yaitu melakukan uji untuk mengetahui perbedaan
IPK (SMA vs MA, SMA vs SMK, MA vs SMK) dan Negeri vs swasta, keempat
yaitu melakukan uji ANOVA agar mengetahui perbedaan IPK berdasarkan (jenis,
akreditasi, jenis & akreditasi) sekolah, langkah terakhir yaitu melakukan analisis
regresi linear agar dapat memprediksi IPK dengan variabel bebas berdasarkan
(jenis sekolah, status sekolah, nilai akreditasi, index SBMPTN sesuai prodi, dan
nilai mata pelajaran).

1.2 Tujuan Pengujian

Tujuan pengujian data ini agar dapat menyelesaikan laporan tugas akhir yang
telah diberikan oleh dosen pengampu dengan menganalisa data prodi tertentu
untuk prediksi IPK dan penentuan bobot yang kemudian analisa outputan
pengujian data yang telah dilakukan menggunakan bantuan aplikasi Jupyter
Notebook.
 BAB II
TINJAUAN PUSTAKA

2.1 Preprocessing Data

Menurut Rerung (2018), preprocessing data yaitu suatu proses dari data
mining atau proses ekstrak pola data agar menyeleksi data dikarenakan tidak
semua data serta atribut data dapat diekstrak sesuai kebutuhan. Preprocessing data
diperlukan agar dapat memaksimalkan kinerja suatu algoritma klasifikasi.
Preprocessing data juga harus dilakukan karena umumnya data di dunia nyata
kurang lengkap baik dari atribut maupun data agregatnya. Preprocessing data
terdiri dari Integration dimana data dari berbagai sumber dan berbagai tempat
digabungkan, kemudian Selection yaitu mengolah data sesuai kebutuhan dengan
memilih atribut pada proses mining data. Selanjutnya yaitu Cleaning yang biasa
disebut sebagai pembersihan data dimana data yang tidak relevan dan inkonsisten
dihilangkan.

2.2 Exploratory Data Analysis (EDA)

Menurut Radhi, dkk (2021), Exploratory Data Analysis (EDA) yaitu salah
satu strategi dalam analisis data yang kemudian menampilkan data untuk mencari
pola data untuk mengekplorasi pola dari suatu data agar mendapatkan struktur
data dengan cara mengekstrak variable yang penting, mendeteksi outlier serta
anomali. Uji asumsi juga biasanya dilakukan pada proses EDA ini dengan
mengembangkan model agar dapat menentukan faktor yang optimal.
2.2.1 Statistik Deskriptif
Menurut Kurniawati, dkk (2018), statistika deskriptif merupakan penyajian
informasi dengan berbagai metode berbentuk gugus data. Statistika deskriptif
menunjukkan berbagai karakteristik data berdasarkan rata-rata dari variasi
datanya. Statistika deskriptif juga merupakan ringkasan data yang memuat
informasi dalam datanya. Statistika deskriptif memuat mean, median, modus,
standart deviasi, range dan sebagainya.
 2.2.2 Visualisasi Data
Menurut Radhi, dkk (2021), visualisasi data suatu teknik yang digunakan
dalam proses data mining dengan berbagai metode yaitu Project Planning Phase
agar dapat mengidentifikasi tujuan dan menentukan scope serta mengidentifikasi
berbagai pertanyaan bisnis penting sesuai kebutuhan yang kemudian
didiskusikan terhadap narasumber. Kedua yaitu Data Preparation Phase agar
dapat memilih data dalam penelitian serta dilakukan transformasi data
(cleansing & filtering) yang kemudian di crosscheck agar tidak ada kesalahan
data. Terakhir yaitu Data Analysis Phase agar dapat memilih tool serta model
chart yang digunakan kemudian dianalisa hasilnya dan di verfikasi dari
visualisasi yang sebelumnya sudah dibuat kemudian dipresentasikan kepada
user.

2.3 Uji ANOVA (Analysis of Variance)

Menurut Rahmawati, dkk (2020), uji ANOVA merupakan uji analisa statistik
perbedaan rerata antar grup atau lebih dari 2 populasi kelompok independent.
Metode uji ANOVA sering digunakan dalam pengambilan keputusan prosedur
kebijakan terbaru. Metode uji ini juga dapat menganalisa variasi respon dari suatu
variable sehingga mengetahui perbedaan rata-rata lebih dari dua kelompok secara
signifikan. Metode uji ANOVA dengan cara menghitung serta membandingkan
nilai dari mean square dan menilai hasil model prediksi linear agar tidak berbeda
dengan jumlah nilai koefisien estimasi serta standard eror-nya.

2.4 Regresi Linier

Menurut Shaputra, dkk (2021), regresi linier yaitu suatu metode perhitungan
statistic agar membentuk model hubungan antara variabel bebas X satu maupun
lebih dengan variabel responnya yaitu Y. Analisa hasil dari regresi linier agar
dapat meramalkan nilai antara variable sehingga lebih akurat. Analisis regresi
linier memiliki variable tak bebas yaitu Y yang dipengaruhi oleh variable yang
lainnya, sedangkan variable bebas yaitu X dimana variable tersebut tidak
terpengaruh oleh variable yang lainnya. Regresi linier sederhana (simple analysis
regeression) diperkenalkan oleh Sir Francis Galton (1986).
 BAB III
METODOLOGI PENGUJIAN

Metodologi pengujian sebagai berikut.

3.1 Prosedur Pengujian
1. Lakukan preprocessing data:
 Rubah nama kolom
 Data dengan nilai kosong
 Data yang tidak sesuai format

2. Lakukan Exploratory Data Analysis (EDA):

 Statistik deskriptif: mean, median, modus, standard deviasi, range.
 Visualisasi data.

3. Lakukan uji untuk mengetahui perbedaan IPK untuk:

 SMA vs MA, SMA vs SMK, MA vs SMK
 Negeri vs swasta

4. Lakukan uji ANOVA untuk mengetahui perbedaan IPK berdasarkan

 Jenis sekolah
 Akreditasi sekolah
 Jenis dan akreditasi sekolah

5. Lakukan analisis regresi linear untuk memprediksi IPK dengan variable bebas:
 Jenis sekolah
 Status sekolah
 Nilai akreditasi
 Index SBMPTN sesuai prodi
 Nilai mata pelajaran

 BAB IV
PEMBAHASAN DAN PENGOLAHAN DATA

Pembahasan dan pengolahan data pada bab ini meliputi rancangan syntax
untuk suatu analisa data berdasarkan kelompok program studi PGSD yang telah
direalisasikan dengan penggambaran dan penjelasan yang akan dijabarkan.
4.1 Pre-processing Data
Tahap awal melakukan mining atau proses data yang diperoleh sebelum
melanjutkan ke tahap pengolahan data dengan cara mengeleminasi atau
menseleksi data untuk diproses ke pengolahan data.

Penggunaan Syntax awal untuk memanggil data prodi PGSD dengan

menggunakan pandas yang berfungsi untuk menganalisis data, mengubah data,
pemeriksaan data dan manipulasi data serta format penyimpanan yang digunakan
yitu .txt,. Data yang dibutuhkan atau data yang ingin dipanggil terlebih dahulu
disimpan ditempat yang diinginkan atau penyimpanan khusus. Berikut contoh
output dengan data yang sudah dipanggil.
 Apabila pada proses data ingin melihat isi dari kolom yang digunakan maka
menggunakan syntax berikut.

Output :

Fungsi dari pre-processing data dijabarkan sebagai berikut:

a. Mengubah atau Mengganti Kolom
Mengubah dan mengganti kolom apabila data yang dibutuhkan tidak
sesuai dengan kolom yang di-inputkan. Berikut syntax yang digunakan
untuk mengubah atau mengganti kolom.
b. Analisis data dengan Nilai Kosong
Hal ini berfungsi untuk mengetahui nilai pada suatu kolom serta
megetahui tipe data.

c. Filtering atau pengelompokan data

Hal ini dilakukan apabila data yang diprediksi melebihi ekspetasi
maka diakukan pengelompokan data untuk mempermudah membacanya.

Output :
 d. Data Tidak Sesuai dengan Format
Data tidak sesuai dengan format dalam python merupakan suatu data yang
tidak memenuhi syarat syntax dari python.

4.2 Exploratory Data Analysis (EDA)

Eexploratory data analysis (EDA) suatu aktivitas pengujian data dalam
sebuah proses pengolahan data dengan bertujuan melakukan pengujian hipotesis
data serta menemukan asumsi-asumsi statistis yang berupa visualisasi. Aktivitas
ini yaitu metode analisis dengan menggunakan aritmatika sederhana dalam
meringkas data mahasiswa PGSD.
1. Statistik Deskriptif (Mean, Median, Modus, Standar Deviasi, Range)
a. Mean
Mean atau rata-rata diperlukan untuk mengetahui nilai yang banyak
diperoleh dari sebuah data.

Gambar tersebut merupakan nilai rata-rata IPK dari jenis sekolah SMA
dan MA. Nilai rata-rata yang diperoleh oleh jenis sekolah SMA sebesar 3,54
sedangkan, nilai rata-rata oleh jenis sekolah MA sebesar 3,45. Demikian
maka nilai rata-rata pada jenis sekolah SMA lebih besar daripada nilai rata-
rata jenis sekolah MA.
b. Median
Syntax untuk mencari median atau nilai tengah pada data IPK
mahasiswa pada program studi PGSD.

Gambar tersebut merupakan nilai median IPK dari jenis sekolah SMA.
Nilai median yang diperoleh oleh jenis sekolah SMA sebesar 3,59. Demikian
maka nilai median atau nilai yang sering banyak muncul pada jenis sekolah
SMA bernilai 3,59.
c. Modus
Syntax untuk mencari modus atau nilai paling banyak muncul pada
data IPK mahasiswa pada program studi PGSD.

Input pada perhitungan atau mencari nilai modus atau nilai yang
paling banyak muncul yaitu dengan memasukan syntax print (‘modus
IPK:’,data[‘IPK].modus())) untuk memanggil data kemudian diproses
untuk mencari rata-rata pada data mahasiswa program studi PGSD dan
mendapatkan outputan nilai modus sebesar 3.529499.
d. Standar Deviasi
Syntax untuk mencari standar deviasi pada data IPK mahasiswa pada
program studi PGSD.

Input pada perhitungan atau mencari nilai standar deviasi yaitu dengan
memasukan syntax print (‘standar deviasi IPK:’,data[‘IPK].std())) untuk
memanggil data kemudian diproses untuk mencari standar deviasi pada
data mahasiswa program studi PGSD dan mendapatkan outputan nilai
standar devisi sebesar 3.529499.
e. Range
 Syntax untuk mencari range pada data IPK mahasiswa pada program
studi PGSD.

Input pada perhitungan atau mencari range yaitu dengan memasukan

syntax print (‘standar deviasi IPK:’,data[‘IPK].std())) untuk memanggil
data kemudian diproses untuk mencari range pada data mahasiswa
program studi PGSD dan mendapatkan outputan nilai range sebesar
3.529499.

2. Visualisasi Data
Visualisasi data pada python dengan menggunakan jupyter notebook
berbentuk diagram atau histogram.

Gambar diatas merupakan histogram pada nilai IPK keseluruhan

masiswa PGSD dengan menunjukan bahwa dari 60% mahasiswa memperoleh
nilai mulai dari rentang 3,7 hingga 4,0 kemudian 40% mahasiswa
mendapatkan nilai dengan rentang 3,4 hinggan 3,6.
 Histogram menunjukan nilai pada jenis sekolah SMA bahwa 80% mahasiswa
PGSD memperoleh nilai dengan rentang 3,7 hinggan 4,0 kemudian 20%
mahasiswa PGSD lainnya memperoleh nilai sebesar 3,4 hingga 3,6.

Histogram menunjukan nilai pada jenis sekolah MA bahwa 35% mahasiswa

PGSD memperoleh nilai dengan rentang 3,7 hinggan 4,0 kemudian 25%
mahasiswa PGSD lainnya memperoleh nilai sebesar 3,3 hingga 3,6.

Gambar menunjukan pie chart untuk nilai IPK berdasarkan jenis sekolah
SMA dan MA. pada pie chart terdapat warna sebagai pembeda yaitu warna
biru merupakan nilai IPK pada jenis sekolah SMA dan untuk warna orange
menunjukan nilai IPK pada jenis sekolah MA.Demikian nilai IPK pada
mahasiswa yang berasal dari jenis sekolah SMA lebih tinggi dengan jumlah
183 dibandingkan nilai mahasiswa dari jenis sekolah MA dengan jumlah 57.
 Gambar menunjukan pie chart untuk presentase nilai IPK berdasarkan
jenis sekolah SMA dan MA. pada pie chart terdapat warna sebagai pembeda
yaitu warna biru merupakan nilai IPK pada jenis sekolah SMA dan untuk
warna orange menunjukan nilai IPK pada jenis sekolah MA.Demikian nilai
IPK pada mahasiswa yang berasal dari jenis sekolah SMA lebih tinggi
dengan presentase 76,25% dibandingkan nilai mahasiswa dari jenis sekolah
MA dengan presentase 23,75%.
 Gambar diatas merupakan scatter plot dari nilai mata kuliah Biologi.
Titik-titik menunjukan bahwa nilai 70 hingga 100 dengan rentang nilai 2,9
sampai 4,0. Titik-titik juga menyebar pada rentang nilai 0,0 hingga 0,3,
rentang 1,3 hingga 2,3 dan rentang 3,1 hingga 3,8.

4.3 Pengujian Data pada Perbedaan IPK

Pengujian ini dilakukan untuk mengetahui selisih daripada nilai IPK pada
mahasiswa program studi PGSD. Syntax yang digunakan untuk menguji
perbedaan IPK pada mahasiswa program studi PGSD.

a. SMA vs MA
Hal ini bertujuan untuk mengetahui nilai IPK mahasiswa yang berasal dari
SMA dan MA.

Gambar diatas menunjukan perbandingan nilai IPK jenis sekolah SMA dan
MA. Berdasarkan data hasil diatas menunjukan nilai rata-rata IPK jenis sekolah
SMA sebesar 3,54 dan nilai rata-rata IPK jenis sekolah MA sebesar 3,45.
Pengujian menunjukan nilai P-Value sebesar 0,19, nilai t-test 1,29. Nilai P-Value
sebesar 0,19 menunjukan nilai lebih dari 0,05 maka H0 diterima maka rata-rata
nilai IPK SMA tidak berbeda signifikan dengan rata-rata IPK MA.
b. SMA vs SMK
Hal ini bertujuan untuk mengetahui nilai IPK mahasiswa yang berasal dari
SMA dan SMK.

Gambar diatas menunjukan perbandingan nilai IPK jenis sekolah SMA

dan SMK. Berdasarkan data hasil diatas menunjukan nilai rata-rata sampel
sebesar 3,52 dan nilai rata-rata pengujian sebesar 3,4. Pengujian menunjukan
nilai P-Value sebesar 6,91, nilai t-test 4,05. Nilai P-Value sebesar 6,91
menunjukan nilai lebih dari 0,05 maka H0 diterima maka rata-rata nilai
sample tidak berbeda signifikan dengan rata-rata nilai pengujian.
c. MA vs SMK
Hal ini bertujuan untuk mengetahui nilai IPK mahasiswa yang berasal dari
MA dan SMK.

Gambar diatas menunjukan perbandingan nilai IPK jenis sekolah MA

dan SMK. Berdasarkan data hasil diatas menunjukan nilai rata-rata sampel
 sebesar 3,52 dan nilai rata-rata pengujian sebesar 3,4. Pengujian menunjukan
nilai P-Value sebesar 6,91, nilai t-test 4,05. Nilai P-Value sebesar 6,91
menunjukan nilai lebih dari 0,05 maka H0 diterima maka rata-rata nilai
sample tidak berbeda signifikan dengan rata-rata nilai pengujian.
d. Negeri vs Swasta
Hal ini bertujuan untuk mengetahui nilai IPK mahasiswa yang berasal dari
Negeri dan Swasta.

Gambar diatas menunjukan perbandingan nilai IPK jenis sekolah swasta

dan negeri. Berdasarkan data hasil diatas menunjukan nilai rata-rata swasta
sebesar 3,13 dan nilai rata-rata negeri sebesar 3,57. Pengujian menunjukan
nilai P-Value sebesar 2,25, nilai t-test -4,05. Nilai P-Value sebesar 2,25
menunjukan nilai lebih dari 0,05 maka H0 ditolak maka rata-rata nilai swasta
berbeda signifikan dengan rata-rata nilai negeri.

4.4 Uji ANOVA

Analisis ragam atau anova digunakan untuk melihat perbandingan rata-rata
dari dua kelompok atau lebih. Hal ini memudahkan analisis beberapa kelompok
sampel yang berbeda dengan minimal resiko kesalahan. Tujuan Anova adalah
untuk mengambil kesimpulan dengan cara menemukan kelompok data yang
berbeda. Pengambilan keputusan pada uji anova apabila nilai signifikansi atau sig
lebih dari 0,05 maka Ho diterima atau rata-rata sama maka sebaliknya apabila
nilai signifikansi kurang dari 0,05 maka Ho ditolak atau rata-rata terdapat
perbedaan.
a. Jenis Sekolah
Uji anova pada jenis sekolah sebagai berikut.

Gambar diatas menunjukan uji ANOVA nilai IPK pada jenis sekolah.
Berdasarkan data hasil diperoleh nilai P-Values sebesar 0,19 dengan nilai
ANOVA sebesar 1,66. Artinya, nilai P-Values lebih besar dari nilai
signifikansi 0,05 maka H0 diterima dengan tidak ada perbedaan signifikan
IPK dengan jenis sekolah.

b. Akreditasi Sekolah
Uji anova pada akreditasi sekolah sebagai berikut.

Gambar diatas menunjukan uji ANOVA nilai IPK pada akreditasi

sekolah. Berdasarkan data hasil diperoleh nilai P-Values sebesar 0,39
dengan nilai ANOVA sebesar 0,92. Artinya, nilai P-Values lebih besar
dari nilai signifikansi 0,05 maka H0 diterima dengan tidak ada perbedaan
signifikan IPK dengan akreditasi sekolah.

c. Jenis dan Akreditasi Sekolah

Uji anova pada jenis dan akreditasi sekolah sebagai berikut.
 Gambar diatas menunjukan uji two way ANOVA nilai IPK pada jenis
dan akreditasi sekolah. Berdasarkan data hasil diperoleh nilai intercept
pada nilai sum-sq sebesar 587,97, derajat kepentingan atau df sebesar 1,0,
nilai F 2561,59, dan PR(>F) atau P-Values sebesar 4,97 maka H0 diterima
dengan tidak ada perbedaan yang signifikan terhadap nilai jenis dan
akreditasi sekolah.

4.5 Analisis Regresi Linier terhadap prediksi IPK pada variabel Bebas
Analisis regresi adalah salah satu analisis yang luas pemakaiannya. Analisis
regresi digunakan untuk melakukan prediksi dan ramalan. Analisis regresi juga
dapat digunakan untuk memahami variabel – variabel bebas mana saja yang dapat
berhubungan dengan variabel terikat, serta untuk mengetahui bentuk hubungan
tersebut.
 Gambar diatas menunjukan pengujian nilai IPK dengan metode regresi linier
beserta faktor yang mempengaruhi. Pengujian dilakukan dengan menggunakan
dua variable yaitu variable bebas (X) dan variable terikat (Y), variable bebas
meliputi data umum yaitu jenis sekolah, status sekolah, akreditasi sekolah, nilai
index prodi dan seluruh mata kuliah pada program studi sedangkan, untuk
variable terikat meliputi nilai IPK. Nilai R-Squared sebesar 0,985 dimana nilai
tersebut mendekati nilai maka artinya semakin baik kemudian, karena nilai
tersebut lebih besar dari 0,05 maka terima H0 artinya tidak ada perbedaaan yang
signifikan terhadap nilai IPK.
 BAB V
KESIMPULAN DAN SARAN

Bab lima tentang kesimpulan dan saran dari penyusunan laporan ini yaitu
sebagai berikut.
5.1 Kesimpulan
1. Tugas telah diselesaikan sebaik mungkin oleh kelompok 01 yang mana terdiri
dari beberapa tahapan dan prosedur pengujian dari beberapa variabel. Studi
kasus yang dilakukan kelompok 01 yaitu melakukan analisis data pada
mahasiswa program studi PGSD menggunakan software jupyter notebook.
Berbagai tahapan dilakukan yaitu prosesing data, exploratory data analysis
(EDA), uji perbedaan nilai IPK SMA dan MA, SMA dan SMK, MA dan
SMK dan juga antara negeri dan swasta. Selanjutnya uji ANOVA dengan
tujuan mengetahui perbedaan besar IPK berdasarkan jenis sekolah, akreditasi
sekolah dan ataupun keduanya. Proses terakhir yaitu analisis regresi linear
untuk memprediksi IPK dengan variabel bebas meliputi jenis sekolah, status
sekolah, nilai akreditasi, index SBMPTN sesuai prodi, serta nilai mata
pelajaran.
2. Hasil output pengujian software jupyter notebook dapat dilihat dari
pengolahan data yang ada pada bab empat mengenai hasil dan penyelesaian
studi kasus analisis data mahasiswa program studi PGSD yang menggunakan
software jupyter notebook. Contoh yaitu pengujian dilakukan dengan
menggunakan dua variable yaitu variable bebas (X) dan variable terikat (Y),
variable bebas yang dilambangkan X meliputi data umum yaitu jenis sekolah,
status sekolah, akreditasi sekolah, nilai index prodi dan seluruh mata kuliah
pada program studi sedangkan, untuk variable terikat dilambangkan dengan Y
meliputi nilai IPK. Nilai R-Squared sebesar 0,985 dimana nilai tersebut
mendekati nilai maka artinya semakin baik, karena nilai tersebut lebih besar
dari 0,05 maka terima H0 artinya tidak terdapat perbedaaan yang terlalu
signifikan terhadap nilai IPK.
5.2 Saran
Saran dalam pengujian harus runtut agar syntak dapat dijalan dan data dapat
diolah. Selain itu, penyusunan laporan harus tersusun rapi dan runtut, agar
memudahkan pembaca memahami isi dari laporan.
 DAFTAR PUSTAKA

Kurniawati N, d. (2018). Analisis Kadar CO, Titania, dan Suhu Terhadap

Kelembaban Udara Menggunakan Preprocessing Data, Distribusi Normal
Multivariat, Uji Bartlett, dan T. 1-5.
Radhi. M, d. (2021). Analisis Big Data Dengan Metode Exploratory Data
Analyisis (EDA) Dan Metode Visualisasi Menggunakan Jupyter
Notebook. JUSIKOM PRIMA, 23-27.
Rahmawati. A, d. (2020). Rancangan Acak Lengkap (RAL) Dengan Uji ANOVA
Dua Jalur. OPTIKA: Jurnal Pendidikan Fisika, 54-62.
Rerung, R. (2018). Penerapan Data Mining dengan Memanfaatkan Metode
Association Rule untuk Promosi Produk. Jurnal Teknologi Rekayasa, 89-
98.
Shaputra. R, d. (2021). Implementasi Regresi Linier Untuk Prediksi Penjualan
Dan Cash Flow Pada Aplikasi Point Of Sales Restoran.