TUGAS KULIAH
OLEH:
WIDIYA LIS SUSANA
(211001002)
KATA PENGANTAR
Puji dan syukur penulis panjatkan kehadirat Tuhan Yang Maha Esa, karena berkat
rahmat dan karunia-Nya, sehingga penulis dapat menyelesaikan Modul Ajar yang berjudul
“Aplikasi Penulisan Not Balok Guna Menyuarakan Piano”. Laporan ini disusun sebagai
syarat Ujian Tengah Semester Mata Kuliah Analisis Perancangan Sistem.
Dalam proses penyusunan Laporan ini, penulis mendapatkan bantuan dan motivasi
dari berbagai pihak baik secara langsung maupun tidak langsung yang selama ini telah
banyak membantu. Untuk itu pada kesempatan ini penulis mengucapkan terimakasih
kepada :
1. Chairul Hudaya, Ph.D, selaku Rektor Universitas Teknologi Sumbawa.
2. Rodianto, S.Kom, M.Kom, selaku Kepala Program Studi Informatika Universitas
Teknologi Sumbawa.
3. Shinta Esabella, M.T.I selaku dosen pengampu Mata Kuliah Analisis Perancangan
Sistem.
4. Teman – teman yang selalu memberikan bantuan, dorongan dan semangat kepada
penulis untuk menyelesaikan Laporan ini. Semua pihak yang telah membantu dan
memberikan dukungan dalam penyusunan Laporan ini yang tidak dapat disebutkan
satu persatu.
Karena keterbatasan pengalaman dan wawasan penulis, Laporan ini masih jauh dari
sempurna. Masukan saran dan kritik sangat penulis harapkan untuk peningkatan dalam
proses penyusunan Laporan ini. Akhir kata penulis mengucapkan terima kasih.
Sumbawa Besar, Desember 2022
Penulis
3
DAFTAR ISI
HALAMAN JUDUL...........................................................................................1
HALAMAN PERSETUJUAN PEMBIMBING...............................................2
HALAMAN PENGESAHAN.............................................................................3
HALAMAN PERSEMBAHAN.........................................................................4
PERNYATAAN KEASLIAN KARYA.............................................................5
ABSTRAKSI.......................................................................................................6
ABSTRACT..........................................................................................................7
KATA PENGANTAR........................................................................................8
DAFTAR ISI.......................................................................................................10
DAFTAR TABEL...............................................................................................12
DAFTAR GAMBAR...........................................................................................15
BAB I PENDAHULUAN....................................................................................17
A. Latar Belakang..........................................................................................17
B. Rumusan Masalah….................................................................................19
C. Metodologi...............................................................................................19
D. Tujuan…............................................................................................. 20
E. BatasanMasalah….............................................................................. 20
F. Manfaat............................................................................................... 21
G. Sistematika Penulisan…............................................................................21
BAB II LANDASAN TEORI.............................................................................23
A. Pengertian Data Mining...................................................................... 23
B. Tahap-tahap Data Mining.........................................................................26
C. Teknik Data Mining..................................................................................27
D. Aturan asosiasi (Association Rules).........................................................30
E. Algoritma Apriori......................................................................................34
F. Contoh penerapan Algoritma Apriori dan pembentukan aturan asosiasi 37
4
DAFTAR TABEL
Tabel 5.6 Frequent 1_itemset dengan minsup 0.45 pada dataset I.......................98
Tabel 5.7 Frequent 2_itemset dengan minsup 0.45 pada dataset I.......................98
Tabel 5.8 Frequent 3_itemset dengan minsup 0.45 pada dataset I......................99
Tabel 5.9 Aturan asosiasi dengan minsup 0.45 dan minconf 0.5 pada dataset I 99
Tabel 5.10 Frequent 1_itemset dengan minsup 0.5 pada dataset I………… 100
Tabel 5.11 Frequent 2_itemset dengan minsup 0.5 pada dataset I........................100
Tabel 5.12 Aturan asosiasi dengan minsup 0.5 dan minconf 0.5 pada dataset I 101
Tabel 5.13 Frequent 1_itemset dengan minsup 0.55 pada dataset I.....................101
Tabel 5.14 Frequent 2_itemset dengan minsup 0.55 pada dataset I.....................102
Tabel 5.15 Aturan asosiasi dengan minsup 0.55 dan minconf 0.5 pada dataset I
102 Tabel 5.16
Tabel frequent 1_itemset dengan minsup 0.6 pada dataset I..............102
Tabel 5.17 Frequent 1_itemset dengan minsup 0.65 pada dataset I.....................103
Tabel 5.18 Contoh format Dataset II....................................................................103
Tabel 5.19 Frequent 1_itemset dengan minsup 0.3 pada dataset II......................104
Tabel 5.20 Frequent 2_itemset dengan minsup 0.3 pada dataset II………… 105
Tabel 5.21 Frequent 3_itemset dengan minsup 0.3 pada dataset II......................105
Tabel 5.22 Aturan asosiasi dengan minsup 0.3 dan minconf 0,5 pada dataset II 105
Tabel 5.23 Frequent 1_itemset dengan minsup 0.35 pada dataset II....................108
Tabel 5.24 Frequent 2_itemset dengan minsup 0.35 pada dataset II....................108
Tabel 5.25 Frequent 3_itemset dengan minsup 0.35 pada dataset II....................109
Tabel 5.26 Aturan asosiasi dengan minsup 0.35 dan minconf 0.5 pada dataset II
110 Tabel 5.27
Frequent 1_itemset dengan minsup 0.4 pada dataset II......................111
Tabel 5.28 Frequent 2_itemset dengan minsup 0.4 pada dataset II......................111
Tabel 5.29 Frequent 3_itemset dengan minsup 0.4 pada dataset II......................111
Tabel 5.30 Aturan asosiasi dengan minsup 0.4 dan minconf 0.5 pada dataset II 112
Tabel 5.31 Frequent 1_itemset dengan minsup 0.45 pada dataset II....................112
Tabel 5.32 Frequent 2_itemset dengan minsup 0.45 pada dataset II....................113
Tabel 5.33 Aturan asosiasi dengan minsup 0.45 dan minconf 0.5 pada dataset II
113 Tabel 5.34
Frequent 1_itemset dengan minsup 0.5 pada dataset II......................113
Tabel 5.35 Frequent 2_itemset dengan minsup 0.5 pada dataset II......................114
Tabel 5.36 Aturan asosiasi dengan minsup 0.5 dan minconf 0.5 pada dataset II 114
7
Tabel 5.37 Frequent 1_itemset dengan minsup 0.55 pada dataset II………… 114
Tabel 5.38 Frequent 2_itemset dengan minsup 0.55 pada dataset II………… 114
Tabel 5.39 Aturan asosiasi dengan minsup 0.55 dan minconf 0.5 pada
dataset II…………………………………………………………. 115
Tabel 5.40 Frequent 1_itemset dengan minsup 0.6 pada dataset II………….. 115
Tabel 5.41 Frequent 2_itemset dengan minsup 0.6 pada dataset II………….. 115
Tabel 5.42 Aturan asosiasi dengan minsup 0.6 dan minconf 0.5 pada dataset II 115
Tabel 5.43 Frequent 1_itemset dengan minsup 0.65 pada dataset II……….... 116
Tabel 5.44 Aturan asosiasi dengan minsup 0.4 dan minconf 0.6 pada dataset I 117
Tabel 5.45 Aturan asosiasi dengan minsup 0.4 dan minconf 0.7 pada dataset I 119
Tabel 5.46 Aturan asosiasi dengan minsup 0.45 dan minconf 0.6 pada dataset I 120
Tabel 5.47 Aturan asosiasi dengan minsup 0.45 dan minconf 0.7 pada dataset I 121
Tabel 5.48 Aturan asosiasi dengan minsup 0.5 dan minconf 0.6 pada dataset I 122
Tabel 5.49 Aturan asosiasi dengan minsup 0.5 dan minconf 0.7 pada dataset I 123
Tabel 5.50 Aturan asosiasi dengan minsup 0.55 dan minconf 0.6 pada dataset I 123
Tabel 5.51 Aturan asosiasi dengan minsup 0.55 dan minconf 0.7 pada dataset I 124
8
DAFTAR GAMBAR
BAB I
PENDAHULUAN
A. Latar Belakang
administrasi pengiriman barang , dan lain-lain. Hal itu disebut OLTP (Online
berjalannya waktu. Data-data yang tersimpan dalam kurun waktu yang cukup
lama akan mencapai ukuran giga byte bahkan dapat mencapai terabyte.
atas data multidimensi, seperti jenis barang, waktu, lokasi dan sebagainya.
ukuran data yang sangat besar untuk mendapatkan informasi yang tidak
diketahui secara eksplisit sangat sulit hanya dengan laporan hasil kueri maupun
OLAP.
11
Salah satu instansi yang mempunyai data yang berukuran besar adalah
Universitas Sanata Dharma Yogyakarta. Banyak sekali data yang disimpan oleh
Universitas Sanata Dharma, salah satunya yaitu data nilai akademik mahasiswa
yang setiap semester selalu bertambah sesuai jumlah mahasiswa dan matakuliah
yang mereka ambil. Nilai tersebut dipakai untuk menentukan ipk, ips dan jumlah
sks yang akan diambil oleh mahasiswa pada semester berikutnya. Selanjutnya
nilai tersebut akan disimpan dan dibiarkan hingga dapat menjadi tumpukan data.
mencari suatu informasi yang berguna. Dalam skripsi ini penulis menggunakan
serangkaian proses untuk menggali nilai tambah dari suatu kumpulan data
berupa pengetahuan yang selama ini tidak diketahui secara manual. Dengan
teknologi data mining penulis dapat memperoleh informasi dari dataset nilai
persoalan pada data mining. Dalam kasus tersebut diatas teknik yang sesuai
Penting atau tidaknya suatu aturan asosiasi dapat diketahui dengan dua
parameter, support yaitu presentase kombinasi item tersebut dalam database dan
confidence yaitu kuatnya hubungan antar item dalam aturan asosiasi. Algoritma
yang akan dipakai adalah algoritma Apriori karena di antara beberapa algoritma
B. Rumusan Masalah
C. Metodologi
1. Pembersihan data
Untuk membuang data yang tidak konsisten dan tidak diperlukan.
2. Integrasi data
Melakukan penggabungan data dari beberapa sumber.
3. Transformasi data
Apriori.
6. Presentasi pengetahuan.
D. Tujuan
E. Batasan Masalah
angkatan 2001 dan 2002 karena dari kedua angkatan tersebut yang memakai
kurikulum yang sama. Nilai akademik yang dipakai adalah nilai matakuliah
Algoritma dan Pemrograman I dan nilai matakuliah lain yang diprasyaratinya, karena
14
2).
F. Manfaat
Hasil penelitian dari data mining ini akan menghasilkan aturan asosiasi yang
perbaikan kurikulum program studi, dalam hal menentukan apakah suatu matakuliah
perlu diprasyarati oleh matakuliah lain dan menentukan sifat persyaratannya (nisbi
atau mutlak). Selain itu informasi yang diperoleh dapat pula dipakai untuk perbaikan
G. Sistematika Penulisan
Bab I. Pendahuluan
Dalam bab ini akan dijelaskan mengenai latar belakang masalah, rumusan
penulisan.
Dalam bab ini akan dijelaskan mengenai pengetahuan yang menjadi dasar
Dalam bab ini akan diidentifikasikan masalah yang akan diselesaikan dan
Dalam bab ini akan dijelaskan tentang implementasi data mining dengan
algoritma Apriori.
Berisi kesimpulan dan saran dari hasil analisis serta pembahasan masalah
BAB II
LANDASAN TEORI
dapat lepas dari perkembangan teknologi informasi yang memungkinkan data dalam
jumlah yang besar terakumulasi. Tetapi pertumbuhan yang pesat dari akumulasi data
telah menciptakan suatu kondisi yang disebut dengan “rich of data but poor of
information” karena data yang terkumpul itu tidak dapat digunakan dalam suatu
aplikasi yang berguna. Bahkan tidak jarang kumpulan data tersebut dibiarkan begitu
Dalam jurnal ilmiah, data mining juga dikenal dengan nama KDD
KDD merupakan suatu proses dalam mengenali informasi atau suatu kebenaran baru
dan benar-benar berguna serta mengenali pola yang dapat dimengerti dari data.
Tujuan utama dari proses KDD adalah memprediksikan nilai-nilai yang berguna dari
variabel-variabel yang ada atau menemukan pola-pola dari sebuah gugusan data yang
dapat diinterpretasikan oleh manusia. Sesuai dengan tujuan tersebut, maka proses
dalam mengenali informasi baru dan penemuan pola tersebut perlu diaplikasikan
dengan data mining. Sehingga sebenarnya data mining merupakan suatu bagian yang
ekstraksi informasi atau pola yang penting atau menarik dari data yang
untuk menemukan pola yang tersembunyi dan hubungan antar data yang
4. Menurut Kumar dan Joshi, data mining adalah eksplorasi dari analisis
baik secara otomatis maupun semi otomatis dari data yang berjumlah
besar dengan tujuan untuk menemukan pola dan aturan yang berarti.
Perlu diketahui bahwa data mining merupakan salah satu bidang yang cukup
banyak didukung oleh cabang ilmu lain di dalam teknologi informasi yaitu statistik,
teknologi basis data, machine learning, sistem pakar, algoritma paralel, algoritma
Applied
Statistic
Genetic
Algoritm Visualisation
Parallel
Algoritm
Data Mining Database
Machine
Learning
Artificial
Intelegent
Ada beberapa faktor yang menjadi alasan utama mengapa menggunakan data
mining:
menganalisisnya.
dioperasikan.
dimiliki.
Menurut Sucahyo (2003) data mining merupakan salah satu aktifitas dibidang
perangkat lunak yang dapat memberikan ROI (Return of Investment) yang tinggi.
Hal yang perlu diperhatikan adalah bahwa data mining berbeda dengan query
tools. Query dan data mining merupakan dua hal yang saling melengkapi.
beberapa tambahan yang berarti. Jika menggunakan query sederhana maka informasi
yang dapat diakses sekitar 80% dari data yang ada dalam basis data sedangkan 20%
Karena data mining adalah suatu rangkaian proses maka dibagi menjadi
1. Pembersihan data: untuk membuang data yang tidak konsisten dan noise.
untuk di-mining.
Berdasarkan proses:
1. Supervised Learning
mobil baru, untuk itu dapat dibuat target atribut 1 untuk “YA” dan 0
2. Unsupervised Learning
Berikut ini adalah gambaran tentang teknik data mining yang paling populer
1. Classification
labelnya tidak diketahui. Model itu sendiri bisa berupa aturan “jika
age >40
<=30
excellent
no yes no yes
ujung pohon menyatakan kelas data atau atribut data. Dari decision
2. Association Rule
untuk basis data transaksi dimana transaksi terdiri dari sejumlah item.
22
masalah pemilik pasar swalayan atau toko antara lain dalam mengatur
3. Clustering
untuk memberikan label pada kelas data yang belum diketahui itu.
Association rule adalah salah satu teknik data mining yang sudah mulai
Center yang berasal dari India, sejak tahun 1993 (Prasetyo,2006). Aturan asosiasi
sering dipakai dalam penggalian data transaksi. Proses pencarian aturan asosiasi
bertujuan untuk menemukan pola yang sering muncul, asosiasi antara suatu
kombinasi item yaitu dengan membuat korelasi antara item data yang dikelompokkan
pencarian frequent itemset diantaranya adalah bila basis data besar (jumlah transaksi
yang banyak), item yang sangat banyak dan nilai support yang rendah.
Penting tidaknya suatu aturan asosiasi dapat diketahui dengan dua parameter,
support yaitu prosentase kombinasi item dalam database dan confidence yaitu
association rule bertujuan untuk menemukan semua aturan yang terdapat pada
database dengan minsup (minimum support) dan minconf (minimum confidence) yang
(Sukarya,dkk):
24
Definisi 1 : Misalkan I = {I1, I2, …, Ik}, X I adalah kumpulan dari item-item yang
disebut itemset.
Definisi 2 : Misalkan I = {I1, I2, …, Ik} adalah sebuah gugus dari k atribut yang
berbeda, disebut juga literal. D adalah basis data, dimana setiap record (tuple) t
memiliki pengidentifikasi yang unik (TID), dan mengandung sebuah item sedemikian
hingga t I. Untuk transaksi t berisi X yang merupakan sekumpulan item yang ada
dimana X I, Y I, dan X Y = .
Definisi 3 : Support dari aturan asosiasi X Y adalah rasio dari record yang
mengandung X Y dengan total record dalam basis data. Secara matematis dapat
ditulis,
Supp(X Y) tD|X Y
t ...................................................(2.1)
=
D
melebihi minsup.
25
Definisi 6 : Confidence dari aturan asosiasi X Y adalah rasio dari record yang
dapat ditulis,
Conf( X Y) tD|X Y
= t D | X t .................................................(2.3)
dari sebuah aturan asosiasi untuk menentukan aturan asosiasi yang kuat (strong
association rule).
k-itemset : itemset dengan kardinalitas k (gugus item yang memiliki k buah item).
Aturan asosiasi yang kuat (strong association rule) : aturan asosiasi yang nilai
TID Itemsets
T100 134
T200 235
T300 1235
T400 25
26
=2/4
= 0.5
= 0.5 / 0.75
= 0.67
Secara umum yang dilakukan dalam proses pencarian aturan asosiasi ini dapat
Yaitu proses pencarian semua frequent itemset dari kandidat itemset yang
memenuhi nilai minsup. Dalam skripsi ini proses pencarian frequent itemset
Yaitu proses mendapatkan aturan asosiasi yang kuat (strong association rule)
memiliki nilai confidence lebih besar atau sama dengan dari nilai minconf .
Dari proses ini akan menghasilkan aturan asosiasi yang kuat (strong
association rule).
27
E. Algoritma Apriori
mencari frequent itemset yang berdasarkan prinsip Apriori, yaitu jika suatu itemset
merupakan frequent itemset, maka semua subset-nya akan berupa frequent itemset
kombinasi item-item yang memiliki support lebih besar atau sama dengan minsup
Proses pada algoritma ini membangkitkan frequent itemset per level, dimulai
dari level 1-itemset sampai ke itemset terpanjang, kandidat level yang baru dibentuk
dari frequent itemset yang ditemukan di level sebelumnya lalu menentukan nilai
F1 : {Frequent 1-itemset}
//Join Step
Ck = apriori-gen(Fk-1);
//Prune Step
c.count++;
end
Lk = { c Ck | c.count minsup}
End
Answer = kFk;
kemunculan setiap item dalam transaksi untuk menentukan frequent 1-itemset. Pada
iterasi selanjutnya, Fk-1 yang merupakan set dari frequent (k-1)-itemset yang dibentuk
itemset). Langkah ini merupakan tahap dari join step. Setelah itu, dilakukan
penelusuran dalam basis data untuk menghitung support bagi setiap candidate
itemset dalam Ck. Untuk setiap transaksi t, dicari semua candidate itemset t dalam set
itemset dalam set Ck yang terkandung dalam transaksi t disebut Ct dan ditulis dengan
notasi Ct= subset (Ck, t). Langkah ini merupakan tahap dari prune step. Nilai support
transaksi berikutnya sampai semua transaksi dalam basis data ditelusuri, kemudian
dicari candidate k-itemset yang memenuhi minsup. Semua candidate k-itemset yang
frequent (k+1)-itemset.
29
Secara lebih detail, algoritma untuk join step dan prune step adalah sebagai
berikut :
a. Join step
Pada langkah ini dilakukan join Fk-1 dengan Fk-1 untuk memperoleh superset
Ck. Union p q dari frequent (k-1)-itemset p,q Fk-1 dimasukkan ke dalam Ck jika
(k-2)-item pertama dari p dan q sama dan item p[k-1] < q[k-1].
Algoritma:
Insert r into Ck
Langkah pada algoritma ini merupakan perluasan dari setiap frequent (k-1)-
itemset dalam Fk-1 dengan setiap item pada basis data sehingga membentuk k-itemset,
kemudian membuang k-itemset yang memiliki subset ukuran (k-1) yang tidak berada
dalam F k-1.
b. Prune Step
Pada langkah ini dilakukan penelusuran dalam basis data untuk menghitung
Algoritma:
If (s Fk-1) Then
Delete c from Ck
End
30
pencarian dimulai dari frequent itemset menuju ke itemset terpanjang. Strategi yang
digunakan breadth-first search dimana proses pencarian dilakukan per level dan
untuk tiap levelnya ditentukan nilai support-nya untuk menentukan frequent itemset
pada level tersebut. Sedangkan strategi penghitungan nilai support dilakukan dengan
horizontal counting, dengan cara membaca transaksi satu persatu, jika ditemukan
itemset yang dicari pada transaksi tersebut maka counter bertambah satu, begitu
selanjutnya.
cara kerja algoritma Apriori untuk menemukan frequent itemset dan pembangkitan
aturan asosiasi yang memenuhi minsup yang telah ditetapkan sebesar 40% dan
minconf 50%.
TI Item
D
1 B, C, D, E
2 A, C
3 B
4 A, B, C, D
5 A, B, D
6 C, D
7 A, B, D, E
8 B, C, D
9 B, C, D, E
10 B, C, D
31
Karena jumlah item dari frequent 3-itemset hanya terdiri dari 3 item sehingga
Dari contoh diatas dapat dilihat bahwa bila nilai minsup diturunkan maka
akan banyak kandidat itemset yang terbentuk dan kardinalitas itemset yang lebih
besar lagi, sehingga menyebabkan banyak pengulangan. Tapi untuk nilai minsup yang
algoritma ini efisien, karena sedikit sekali melakukan proses pembacaan basis data
Sehingga dengan frequent itemset yang telah ditemukan diatas dapat diproses
sebagai berikut :
1. B C
= 50/80
= 0.625
= 62.5%
2. C B
= 50/70
33
= 0.714
= 71.4%
3. B D
= 70/80
= 0.875
= 87.5%
4. D B
= 70/80
= 0.875
= 87.5%
5. D C
= 60/80
= 0.75
= 75%
6. CD
= 60/70
= 0.857
= 85.7%
7. B CD
34
= 50/80
= 0.625
= 62.5%
8. CD
B
= 50/60
= 0.833
= 83.3%
9. C BD
= 50/70
= 0.714
= 71.4%
10. BD
C
= 50/70
= 0.714
= 71.4%
11. D BC
= 50/80
35
= 0. 625
= 62.5%
12. BC
D
= 50/50
=1
= 100%
Dari semua aturan asosiasi yang ada ternyata mempunyai nilai confidence
50% sehingga semua aturan asosiasi yang terbentuk diatas merupakan aturan asosiasi
BAB III
A. Identifikasi Masalah
disimpan sangatlah banyak dan beragam. Data tersebut disimpan dalam bentuk
database dimana semakin banyak data yang disimpan maka semakin besar pula
memori yang diperlukan untuk menyimpannya. Data yang disimpan merupakan data
yang penting dan dibutuhkan demi terlaksananya kegiatan dalam instansi tersebut.
Salah satu instansi yang dibahas dalam karya tulis ini adalah sebuah
Universitas Sanata Dharma terdiri dari 8 fakultas dan 24 program studi dengan
sekali data, mulai dari data pribadi mahasiswa, data administrasi mahasiswa, data
matakuliah beserta staf pengajar, data staf pengajar, dan masih banyak lagi data yang
Data yang dipakai untuk penulisan karya tulis ini adalah data nilai akademik
mahasiswa khususnya program studi Ilmu Komputer. Data nilai akademik ini
merupakan hasil nilai yang diperoleh oleh setiap mahasiswa setiap semesternya.
Jumlah data ini sangat besar karena setiap semester data akan bertambah sebanyak
mahasiswa ilmu komputer angkatan 2001 dan 2002 pada bulan Maret 2006 sebanyak
37
141 orang. Pihak universitas harus menyediakan memori dengan kapasitas yang besar
dan pengelolaan yang rumit untuk menyimpan data nilai akademik yang hanya
dipakai untuk menghitung nilai ipk dan ips mahasiswa tiap semester. Hal itu tidak
Untuk itu dengan teknologi yang tergolong baru, yaitu data mining penulis
akan menggunakan data nilai akademik tersebut untuk diolah agar menemukan
informasi yang terkandung di dalam data tersebut yang tidak bisa didapat secara
manual.
B. Analisa sistem
Sistem ini akan menghasilkan informasi baru tentang pola keterkaitan antara
tingkat keberhasilan suatu matakuliah dengan tingkat keberhasilan mata kuliah lain.
1. Input
Microsoft Excel yang terdiri dari mahasiswa prodi Ilmu Komputer dan prodi
menurut angkatannya. Contoh data dapat dilihat pada lampiran 1. Pada akhirnya
data yang dipakai hanya data nilai akademik mahasiswa ilmu komputer angkatan
2001 dan angkatan 2002 karena dari kedua angkatan tersebut memakai kurikulum
yang sama.
38
angkatan 2001 sebanyak 77 orang, yang masih aktif sebanyak 50 orang dan yang
satu dengan yang lain. Atribut nim berupa integer yang terdiri 4 digit, 2 digit awal
Adapun atribut yang dihilangkan yaitu atribut Smt Ambil dan sks karena atribut
tersebut tidak diperlukan. Contoh nilai dari atribut nim dapat dilihat pada tabel
dibawah ini :
yang ganda yaitu matakuliah yang diambil oleh mahasiswa lebih dari satu kali
sehingga bersifat mengulang. Dalam hal ini data yang dipakai adalah data
matakuliah yang diambil pertama kali, karena nilai tersebut dianggap sebagai
nilainya kosong diisi dengan nilai F. Matakuliah yang digunakan dalam penelitian
adalah matakuliah yang berada dalam satu rangkaian diagram alir menurut
kurikulum program studi Ilmu Komputer tahun 2001 yaitu Algoritma dan
lampiran 2).
Data nilai akademik yang telah dibersihkan digabung menjadi satu tabel.
Data tersebut memiliki atribut nim, kode mtk, mtk (nama matakuliah yang
diambil oleh mahasiswa), nilai (nilai yang diperoleh mahasiwa untuk setiap
No Nilai mahasiswa
1. A
2. B
3. C
4. D
5. E
6. F
Dalam skripsi ini yang menjadi itemset adalah matakuliah beserta nilai
yang diperoleh. Untuk kepentingan skripsi ini dibuat 2 jenis dataset yaitu dataset
yang berisi itemset matakuliah dengan nilai A,B dan dataset yang berisi itemset
matakuliah dengan nilai C,D,E,F. Kedua dataset ini dibuat dengan alasan bahwa :
A atau B
bawah ini :
Tabel 3.4. Tabel contoh itemset dengan matakuliah yang memperoleh nilai
C,D,E,F
2. Proses
Diagram arus data yang terjadi dalam penggalian aturan asosiasi adalah
sebagai berikut :
Aturan asosiasi
0
Proses penggalian aturan asosiasi nim, mtk Database nilai
Pengguna
akademik
Minsupp
Minconf
mahasiswa yang terdiri dari nim dan mtk yang diakses dari database nilai
oleh pengguna seperti terlihat pada diagram konteks diatas. Output dari proses
Database nilai
akademik
nim, mtk
1
2
Pencarian
Pembentukan aturan asosiasi
frequent k_itemset
frequent k_itemset
Aturan asosiasi
Minconf
Minsupp
Pengguna
proses yaitu proses pencarian frequent k-itemset dan proses pembentukan aturan
data mahasiswa dan minsup. Sedangkan output dari proses tersebut adalah semua
frequent k-itemset. Semua frequent k-itemset akan digunakan sebagai input untuk
membutuhkan 2 data input yaitu frequent k-itemset (output dari proses pencarian
frequent k-itemset) dan minconf. Output dari proses pembentukan aturan asosiasi
Pada DFD level 2 ini proses pencarian frequent k-itemset dipecah menjadi
mahasiswa yang terdiri dari nim, dan mtk akan dikueri berdasarkan TID. TID
adalah pengidentifikasi yang unik tiap record. Dalam kasus ini yang menjadi TID
adalah nim dan mtk. Output dari proses ini adalah data mahasiswa yang telah
dikueri dan akan menjadi input pada proses pembentukan kandidat itemset.
Output dari proses ini adalah kandidat itemset yang akan digunakan sebagai input
k-itemset akan menghasilkan output berupa frequent k-itemset yang nantinya akan
2. Fk : frequent k-itemset
44
Ck yang memiliki support lebih kecil dari minimum support agar tidak
berikut:
1. Menelusuri seluruh record pada TID dan menghitung support dari tiap
dalam F1.
4. Dari C2, 2-itemset yang memiliki support yang lebih besar atau sama
berikut :
2. Untuk setiap subset yang tidak kosong dikenai aturan asosiasi sehingga
terbentuk aturan.
45
3. Output
Output dari program adalah aturan asosiasi yang kuat yaitu aturan asosiasi
yang memenuhi minsup dan minconf. Aturan tersebut dapat digunakan untuk
lain:
lain :
2). Harddisk 40 GB
C. Perancangan
1. Perancangan Modul
itemset yang terbentuk dari dataset yang terdiri dari matakuliah dan
nilainya.
Algoritma :
support lebih besar atau sama dengan nilai minimum support menjadi
prunning.
itemset lagi.
itemset.
Algoritma :
yang terdapat pada sisi kiri dan dijadikan syarat sedangkan konsekuen
konsekuen.
sama dengan nilai minimum confidence adalah aturan asosiasi yang kuat
49
(strong association rule) yang merupakan hasil akhir dari mining pada
dataset ini
yang telah ada dalam basisdata yaitu tabel mahasiswa2. Proses ini akan
minimum support akan disimpan dalam listbox yang terdapat pada form
yang memenuhi minimum support yang telah dicari pada proses prunning
51
Sehingga dalam proses ini tinggal mengakses data pada listbox tersebut.
himpunan yang terdiri dari 2 itemset, 3 itemset dst yang akan menjadi
frequent itemset ke-n. Itemset tersebut disimpan dalam listbox bagian atas
pada form Frequent Itemset yang terdiri dari 4 kolom yaitu No Freq
Tabel 3.9 Format listbox bagian atas pada form Frequent Itemset
No Freq Itemset Jumlah Itemset Count Support
Tabel 3.10 Keterangan listbox bagian atas pada form Frequent Itemset
Nama Kolom Keterangan
No Freq Itemset indeks frequent itemset
Jumlah Itemset Jumlah itemset dalam frequent itemset tersebut
Count banyaknya kejadian yang memenuhi frequent
itemset tersebut dari tabel mahasiswa2
Support nilai support tiap frequent itemset tersebut
ditampilkan pada listbox bagian atas akan ditampilkan pada listbox bagian
Tabel 3.11 Format listbox bagian bawah pada form Frequent Itemset
No No Freq Itemset No Freq 1_ Itemset
52
Tabel 3.12 Keterangan listbox bagian bawah pada form Frequent Itemset
Nama Kolom Keterangan
No indeks listbox
No Freq Itemset no frequent itemset (merujuk No frequent
itemset pada listbox bagian atas)
No Freq 1_Itemset no frequent 1_itemset yang menjadi anggota
frequent itemset
ditampilkan pada kedua listbox yang terdapat pada form Frequent Itemset.
aturan asosiasi.
Tabel 3.13 Format listbox yang terdapat pada form Semua Rule
Tabel 3.14 Keterangan listbox yang terdapat pada form Semua Rule
association rule.
Tabel 3.15 Format listbox yang terdapat pada form Strong association rule
Tabel 3.16 Keterangan listbox yang terdapat pada form Strong association rule
1) Form Input
Form ini digunakan untuk memasukkan nilai minimum support dan minimum
confidence.
diketikkan.
Mahasiswa.
Dalam form ini ditampilkan pula jumlah record yang terdapat pada tabel.
pada form ini akan menampilkan No , Nama Candidate 1_Itemset, Count dan
Support. Dalam form ini terdapat textbox yang akan menampilkan nilai
minimum support yang telah dimasukkan oleh pengguna dan textbox yang
56
support.
Itemset.
57
Count, dan Support. Sedangkan listbox bagian bawah merupakan listbox yang
1_itemset (kandidat itemset yang jumlah anggotanya lebih dari 1) yang terjadi
Form ini berfungsi untuk menampilkan semua aturan yang terbentuk dari
frequent itemset yang telah ditemukan. Aturan ini terbentuk dari frequent
itemset yang terdiri lebih dari 1 itemset. Didalam form ini terdapat 3 buah
No Rule, No Freq Itemset dan No Freq 1_Itemset yang menjadi anteseden aturan ,
Freq 1_Itemset yang menjadi konsekuen aturan tersebut. Listbox yang terakhir
akan menampilkan No rule, Freq Itemset dan Confidence dari aturan tersebut.
rule.
Form ini adalah form yang akan menampilkan aturan asosiasi yang kuat
(strong association rule ) yang telah terbentuk dan merupakan aturan asosiasi
Pada form ini akan ditampilkan frequent 1_ itemset yang memenuhi nilai
minimum support. Pada listbox akan ditampilkan No, Nama Freq 1_Itemset,
Pada form ini akan ditampilkan itemset yang tidak memenuhi nilai minimum
Support. Pada listbox akan ditampilkan No Itemset, Nama Itemset, Count dan
BAB IV
Pada saat program pertama kali dijalankan maka akan tampil form seperti
Pada form diatas terdapat menu File, Window, Help. Menu File terdiri dari
Input), Close (menu untuk menutup suatu form yang sedang aktif), Keluar (menu
untuk keluar dari program). Menu Window terdiri dari submenu antara lain
64
Hide (menu untuk menyembunyikan form yang aktif), dan terdapat submenu
untuk menampilkan form yang telah ditampilkan. Menu Help terdiri dari
tentang pembuat. Pengguna dapat memilih salah satu menu atau dapat langsung
menekan tombol Lanjut atau dapat juga dapat menekan tombol Help yang
terdapat pada form untuk mengetahui segala sesuatu tentang program terlebih
Pada form ini, jika pengguna menekan tombol Tambah Dataset maka akan
muncul Open dialog box yang akan menyajikan tabel baru yang akan
dimasukkan ke dalam database. Tombol Pilih Dataset maka combo box akan
kandidat 1_itemset yang pada listbox. Berikut ini listing program untuk mencari
RELEASE jumB
index=index+1
itemset(index,1)= mtk.matakuliah
SELECT count(*) as jmlB from mahasiswa2 WHERE ALLTRIM(upper
(mtk))==ALLTRIM(UPPER(mtk.matakuliah));
INTO CURSOR jumB
itemset(index,2)= jumB.jmlB &&jumlah kejadian
itemset(index,3)= jumB.jmlB/jumN.N &&support
listbox :
telah selesai dan semua candidate 1_itemset telah ditampilkan pada listbox.
Form Loading ini juga akan muncul apabila proses-proses lain berlangsung.
menekan tombol PRUNNING. Setelah itu akan muncul secara bersamaan form
Frequent 1_Itemset, form Infrequent 1_Itemset (Gambar 4.5) serta form Loading.
Form Frequent 1_Itemset terdiri dari sebuah listbox yang menampilkan frequent
1_Itemset terdiri dari sebuah listbox yang menampilkan kandidat 1_itemset yang
aturan adalah frequent 1_itemset yang tampil di listbox pada form Frequent
berikut:
gcDelimName = '.dbf'
gcDelimFile = PUTFILE('File Name:', gcDelimName, 'dbf')
70
support maka pada program akan muncul pesan seperti dibawah ini :
dibawah ini :
Apabila pengguna menekan Yes maka akan muncul form Input, jika
pengguna harus menekan tombol , maka akan muncul Form Frequent Itemset
ATAS
BAWAH
ITEMSET maka pada listbox akan muncul frequent itemset dengan jumlah
itemset lebih dari 1 dan frequent itemset tersebut merupakan frequent itemset
yang memenuhi minimum support. Pada listbox bagian bawah akan muncul
keterangan anggota dari frequent itemset tersebut. Apabila salah satu baris pada
listbox bagian atas oleh pengguna didouble klik maka pada listbox keterangan
akan tersorot anggota frequent itemset pada listbox bagian atas yang ditunjuk
No No Freq No Freq
Itemset 1_Itemset
1 1 3
2 1 4
3 2 4
4 2 11
Itemset sebanyak 2. Pasangan yang dimaksud dapat dilihat pada tabel 4.2. Pada
tabel dapat diketahui bahwa No Freq Itemset 1 terdiri dari Freq 1_Itemset
dilihat pada form Frequent Itemset_1. Apabila tidak terdapat frequent itemset
PUBLIC lodi
&& menampilkan form loading sekaligus menjadikan sbg objek
DO FORM form_loading NAME lodi
---------------pasangan 2 item------------------------------------------------------*
PUBLIC piss
piss=0 &&indeks keterangan frequent itemset
kol=0 && no pasangan
piss=piss+1
THISFORM.container4.list2.AddListItem(str(piss), piss,1)
74
THISFORM.container4.list2.AddListItem(STR(kol), piss,2)
THISFORM.container4.list2.AddListItem(STR(i), piss,3)
THISFORM.container2.list1.AddListItem(STR(j),kol,3)
piss=piss+1
THISFORM.container4.list2.AddListItem(str(piss), piss,1)
THISFORM.container4.list2.AddListItem(STR(kol), piss,2)
THISFORM.container4.list2.AddListItem(STR(j), piss,3)
THISFORM.container3.list1.AddListItem(str(kol), kol,1)
THISFORM.container3.list1.AddListItem(STR(2),kol,2)
THISFORM.container3.list1.AddListItem(STR(jum_mhs),kol,3)
THISFORM.container3.list1.AddListItem(STR(sup,5,2),kol,4)
ENDIF
ENDFOR
ENDFOR
qq=qq+1
THISFORM.list3.AddListItem(str(qq), qq,1)
THISFORM.list3.AddListItem(STR(j), qq,2)
RELEASE data_mhs2
DIMENSION mhs(jumlahMahasiswa),mhs2(jumlahMahasiswa)
jum_kej=RECCOUNT('data_mhs2')
jum_pas_akar=VAL
(thisform.container3.list1.ListItem(i,2))
no_item=VAL(thisform.container2.list1.ListItem(i,2))
no_item2=VAL(thisform.container2.list1.ListItem(i,3))
DO WHILE jum_pas_akar>2
qq=qq+1
THISFORM.list3.AddListItem(str(qq), qq,1)
THISFORM.list3.AddListItem(STR(no_item2), qq,2)
75
RELEASE data_mhs2
SELECT nim FROM mahasiswa2 ;
WHERE ALLTRIM(UPPER(mtk))==ALLTRIM(UPPER(itemset2
(no_item2,1)));
INTO CURSOR data_mhs2
IF jum_kej>0
RELEASE mhs2
DIMENSION mhs2(jum_kej)
jum_mhs=0
FOR k=1 TO RECCOUNT('data_mhs2')
FOR o=1 TO jum_kej
GO k IN data_mhs2
IF mhs(o)=data_mhs2.nim
jum_mhs=jum_mhs+1
mhs2(jum_mhs)=mhs(o)
ENDIF
ENDFORENDFOR
jum_kej=jum_mhs
FOR k=1 TO jum_mhs
mhs(k)=mhs2(k)
ENDFOR
ELSE
jum_kej=0
ENDIF
jum_pas_akar=VAL
(thisform.container3.list1.ListItem(no_item,2))
nm=no_item
no_item=VAL(thisform.container2.list1.ListItem(nm,2))
no_item2=VAL(thisform.container2.list1.ListItem(nm,3))
ENDDO
IF jum_pas_akar=2
qq=qq+1
THISFORM.list3.AddListItem(str(qq), qq,1)
THISFORM.list3.AddListItem(STR(no_item2), qq,2)
qq=qq+1
THISFORM.list3.AddListItem(str(qq), qq,1)
THISFORM.list3.AddListItem(STR(no_item), qq,2)
RELEASE data_mhs2
SELECT nim FROM mahasiswa2 ;
WHERE ALLTRIM(UPPER(mtk))==ALLTRIM(UPPER(itemset2(no_item,1)));
INTO CURSOR data_mhs2
IF jum_kej>0
RELEASE mhs2
DIMENSION mhs2(jum_kej)
jum_mhs=0
FOR k=1 TO RECCOUNT('data_mhs2')
76
RELEASE data_mhs2
SELECT nim FROM mahasiswa2
;
WHERE ALLTRIM(UPPER(mtk))==ALLTRIM(UPPER(itemset2(no_item2,1)));
INTO CURSOR data_mhs2
IF jum_kej>0
RELEASE mhs2
DIMENSION mhs2(jum_kej)
jum_mhs=0
FOR k=1 TO RECCOUNT('data_mhs2')
FOR o=1 TO jum_kej
GO k IN data_mhs2
IF mhs(o)=data_mhs2.nim
jum_mhs=jum_mhs+1
mhs2(jum_mhs)=mhs(o)
ENDIF
ENDFOR
ENDFOR
jum_kej=jum_mhs
sup=jum_kej/jumlahMahasiswa
ELSE
jum_kej=0
sup=0
ENDIF
ELSE
jum_kej=0
sup=0
ENDIF
ENDIF
IF sup>=minsup
kol=kol+1
THISFORM.container2.list1.AddListItem(str(kol), kol,1)
THISFORM.container2.list1.AddListItem(STR(i),kol,2)
THISFORM.container2.list1.AddListItem(STR(j),kol,3)
THISFORM.container3.list1.AddListItem(str(kol), kol,1)
THISFORM.container3.list1.AddListItem(STR(jum_pas),kol,2)
THISFORM.container3.list1.AddListItem(STR(jum_kej),kol,3)
THISFORM.container3.list1.AddListItem(STR(sup,5,2),kol,4)
77
g=qq
DO WHILE g>=1
no_it=VAL(thisform.list3.ListItem(g,2))
piss=piss+1
THISFORM.container4.list2.AddListItem(str(piss), piss,1)
THISFORM.container4.list2.AddListItem(STR(kol), piss,2)
THISFORM.container4.list2.AddListItem(STR(no_it), piss,3)
g=g-1
ENDDO
ENDIF
ENDFOR
ENDFOR
awl=akhr
akhr=kol
jum_pas=jum_pas+1
ENDDO
lodi.release()
Frequent Itemset.
maka akan muncul form Semua Rule seperti gambar di bawah ini :
Pada form Semua Rule ini pengguna akan menekan tombol Tampil Semua
Rule maka akan muncul semua aturan asosiasi yang terbentuk. Aturan tersebut
ditampilkan pada 2 buah listbox yaitu listbox anteseden yang terletak paling kiri
dan listbox konsekuen yang terletak di tengah. Sedangkan pada listbox yang
paling kanan merupakan listbox yang berisi nilai confidence tiap aturan.
supp=form_dftr_ya_minsup.list1.listitem(vv,5)
thisform.list10.AddListItem(STR(noRule),jj,1)
thisform.list10.AddListItem(supp,jj,2)
*---------------nyari confidence-----------------
cof=VAL(supp_pas)/VAL(supp)
kol_con=kol_con+1
*--------------nampilin confidencenya----
THISFORM.list3.AddListItem(str(noRule), kol_con,1)
THISFORM.list3.AddListItem(STR(no_pas),kol_con,2)
THISFORM.list3.AddListItem(supp_pas, kol_con,3)
THISFORM.list3.AddListItem(STR(cof,5,2),kol_con,4)
ENDIF
ENDFOR
*-----------------------------------------------------
ee=array_item[k]
FOR l=1 TO ind
IF VAL(array_item[l]) != val(ee)
kol_konse=kol_konse+1
*----nampilin konsekuennya
thisform.list2.AddListItem(STR(noRule),kol_konse,1)
thisform.list2.AddListItem(STR(no_pas),kol_konse,2)
thisform.list2.AddListItem(array_item[l],kol_konse,3)
ENDIF
ENDFOR
ENDIF
ENDIF
ENDFOR
&&-----nyimpen kombinasi 2 item-------------
FOR s=1 TO ind
FOR t=s+1 TO ind
op=0
DIMENSION pas2[2]
noRule=noRule+1
op=op+1
pas2[op]=array_item[s]
kol_ante=kol_ante+1
thisform.list1.AddListItem(STR(noRule),kol_ante,1)
thisform.list1.AddListItem(STR(no_pas),kol_ante,2)
thisform.list1.AddListItem(pas2[op],kol_ante,3)
op=op+1
pas2[op]=array_item[t]
total_sama=0
FOR mg=1 TO form_cari_sup.container4.list2.listcount
IF VAL(form_cari_sup.container4.list2.listitem(mg,2))= gm
sama=0
FOR sip=1 TO op
IF VAL(pas2[sip])=VAL(form_cari_sup.container4.list2.listitem
(mg,3)) sama=sama+1
ENDIF
ENDFOR
IF sama>0
total_sama=total_sama+1
ENDIF
ENDIF
ENDFOR
IF total_sama=op
jj=jj+1
supp=form_cari_sup.container3.list1.listitem(gm,4
thisform.list10.AddListItem(STR(noRule),jj,1)
thisform.list10.AddListItem(supp,jj,2)
*nampilin confidencenya
kol_con=kol_con+1
THISFORM.list3.AddListItem(str(noRule), kol_con,1)
THISFORM.list3.AddListItem(STR(no_pas),kol_con,2)
THISFORM.list3.AddListItem(supp_pas, kol_con,3)
THISFORM.list3.AddListItem(STR(cof,5,2),kol_con,4)
ENDIF
ENDIF
ENDFOR
*-------------------------------------------------------
*nampilin anteseden yang terdiri dari 2 item
kol_ante=kol_ante+1
thisform.list1.AddListItem(STR(noRule),kol_ante,1
thisform.list1.AddListItem(STR(no_pas),kol_ante,2)
thisform.list1.AddListItem(pas2[op],kol_ante,3)
Untuk menampilkan aturan yang terdiri dari 4 item, proses awalnya sama
*---anteseden bantuan---*
RELEASE pas2
DIMENSION pas2[3]
op=0
FOR km=1 TO ind9
IF km<=1
noRule=noRule+1
kol_ante=kol_ante+1
thisform.list1.AddListItem(STR(noRule),kol_ante,1)
thisform.list1.AddListItem(STR(no_pas),kol_ante,2)
thisform.list1.AddListItem(THISFORM.List9.ListItem(km,3),kol_ante,3)
*----------
op=op+1
pas2[op]=THISFORM.List9.ListItem(km,3)
*----------
ELSE
IF VAL(THISFORM.List9.ListItem(km,1))= VAL(THISFORM.List9.ListItem
(km-1,1))
ELSE
noRule=noRule+1
RELEASE pas2
DIMENSION pas2[3]
op=0
ENDIF
*-------nampilin support yang antesedeny 3-----
FOR gm=1 TO
form_cari_sup.container3.list1.listcount
IF VAL(form_cari_sup.container3.list1.listitem(gm,2))=op
total_sama=0
FOR mg=1 TO
form_cari_sup.container4.list2.listcount
IF VAL(form_cari_sup.container4.list2.listitem(mg,2))= gm
sama=0
FOR sip=1 TO op
IF VAL(pas2[sip])=VAL(form_cari_sup.container4.list2.listitem(mg,3))
sama=sama+1
ENDIF
ENDFOR
IF sama>0
total_sama=total_sama+1
ENDIF
ENDIF
ENDFOR
IF total_sama=op
jj=jj+1
supp=form_cari_sup.container3.list1.listitem(gm,4)
thisform.list10.AddListItem(STR(noRule),jj,1)
thisform.list10.AddListItem(supp,jj,2)
cof=VAL(supp_pas)/VAL(supp)
83
kol_con=kol_con+1
THISFORM.list3.AddListItem(str(noRule), kol_con,1)
THISFORM.list3.AddListItem(STR(no_pas),kol_con,2)
THISFORM.list3.AddListItem(supp_pas, kol_con,3)
THISFORM.list3.AddListItem(STR(cof,5,2),kol_con,4)
ENDIF
ENDIF
ENDFOR
*-------------------------------------------------
kol_ante=kol_ante+1
thisform.list1.AddListItem(STR(noRule),kol_ante,1)
thisform.list1.AddListItem(STR(no_pas),kol_ante,2)
thisform.list1.AddListItem(THISFORM.List9.ListItem(km,3),kol_ante,3)
op=op+1
pas2[op]=THISFORM.List9.ListItem(km,3)
ENDIF
kol_konse=kol_konse+1
thisform.list2.AddListItem(STR(noRule),kol_konse,1)
thisform.list2.AddListItem(STR(no_pas),kol_konse,2)
thisform.list2.AddListItem(THISFORM.List6.ListItem(km2,3),
kol_konse,3
ENDIF
ENDFOR
ENDFOR
ENDIF
ENDFOR
lodi.release()
thisform.text1.Value=thisform.list3.ListCount
proses selanjutnya. Kemudian akan tampil form Strong association rule ( gambar
4.10). Dalam form tersebut akan ditampilkan aturan asosiasi yang memenuhi
Association Rule) Dalam form ini terdapat 3 buah listbox untuk menampilkan
BAB V
A. Percobaan Jenis I
Dari program yang telah dibuat kemudian dilakukan percobaan jenis I dengan
pada 2 buah dataset dengan menginputkan nilai minimum support berkisar 0.3 sd
berhasil dengan nilai tiap matakuliah A atau B. Pada Dataset I ini input minimum
support hanya berkisar 0.4 s.d 0.65 karena dengan minimum support yang lebih kecil
aturan asosiasi yang dihasilkan sangat banyak dan hasilnya kurang begitu bermakna.
berikut :
Tabel 5.2 Frequent 1_itemset dengan minsup 0.4 pada dataset I
Dari frequent 1_itemset diatas dapat dibentuk frequent 2_itemset dan frequent
4. {2,3} 64 0.47
5. {2,5} 64 0.47
6. {2,6} 79 0.58
7. {2,7} 76 0.55
8. {2,8} 61 0.45
9. {3,6} 64 0.47
10. {3,7} 63 0.46
11. {3,8} 55 0.40
12. {5,6} 60 0.44
13. {5,7} 58 0.42
14. {6,7} 74 0.54
15. {6,8} 64 0.47
16. {7,8} 61 0.45
Pada percobaan ini iterasi berhenti pada frequent 3_itemset kemudian dari
frequent itemset di atas terbentuk aturan asosiasi yang kuat (strong association rule)
sebagai berikut :
Tabel 5.5 Aturan asosiasi dengan minsup 0.4 dan minconf 0,5 pada dataset I
Dari aturan asosiasi yang terbentuk terdapat beberapa aturan yang janggal
Grafika Komputer Lanjut. Hal itu diduga karena karena pola pada dataset bersifat
menyebar.
sebagai berikut:
91
Dari frequent 1_itemset diatas dapat dibentuk frequent 2_itemset dan frequent
Pada percobaan ini iterasi berhenti pada frequent 3_itemset kemudian dari
frequent itemset diatas terbentuk aturan asosiasi yang kuat (strong association rule)
sebagai berikut:
Tabel 5.9 aturan asosiasi dengan minsup 0.45 dan minconf 0.5 pada dataset I
sebagai berikut:
Pada percobaan ini iterasi berhenti pada frequent 2_itemset kemudian dari
frequent itemset diatas terbentuk aturan asosiasi yang kuat (strong association rule)
sebagai berikut:
Tabel 5.12 Aturan asosiasi dengan minsup 0.5 dan minconf 0.5 pada dataset I
94
sebagai berikut:
berikut
: Tabel 5.14 Frequent 2_itemset dengan minsup 0.55 pada dataset I
2 {2,5} 76 0.55
.
Dari frequent 1_itemset diatas dapat dibentuk strong association rule sebagai
berikut :
Tabel 5.15 Aturan asosiasi dengan minsup 0.55 dan minconf 0.5 pada dataset I
tidak akan terbentuk aturan asosiasi yang kuat karena sebuah aturan asosiasi
tidak akan terbentuk aturan asosiasi yang kuat karena sebuah aturan asosiasi
Pada percobaan ini dataset yang dipakai adalah nilai akademik mahasiswa
yang dinyatakan kurang berhasil dalam hal ini tiap matakuliah mendapat nilai
C,D,E,atau F. Pada Dataset II ini input minimum support berkisar 0.3 s.d
Dari frequent 1_itemset diatas terbentuk frequent 2_itemset dan frequent 3_itemset
sebagai berikut :
8. {2,8} 54 0.40
9. {3,4} 50 0.37
10. {3,5} 66 0.49
11. {3,6} 57 0.42
12. {3,8} 56 0.41
13. {4,5} 42 0.31
14. {5,6} 44 0.33
15. {5,8} 43 0.32
Dari frequent 2_itemset dan frequent 3_itemset terbentuk strong association rule
1. {2,3,5} 55 0.41
2. {2,3,6} 47 0.35
3. {2,3,8} 50 0.37
Dari frequent itemset diatas dapat dibentuk strong association rule sebanyak 34
sebagai berikut :
103
Tabel 5.26 Aturan asosiasi dengan minsup 0.35 dan minconf 0.5 pada dataset
Percobaan I.2.c
berikut :
Tabel No
5.30 Aturan asosiasi dengan minsup
Aturan 0.4 dan minconf 0.5 pada dataset II
Asosiasi
Confidence aturan
1 Algoritma dan Pemrograman II Basis Data I 0.83
2 Basis Data I Algoritma dan Pemrograman II 0.80
3 Algoritma dan Pemrograman II Rekayasa 0.70
Perangkat Lunak I
4 Rekayasa Perangkat Lunak I Algoritma 0.74
dan Pemrograman II
5 Algoritma dan Pemrograman II Struktur Data 0.59
6 Struktur Data Algoritma dan Pemrograman II 0.87
7 Basis Data I Rekayasa Perangkat Lunak I 0.70
8 Rekayasa Perangkat Lunak I Basis Data I 0.77
9 Basis Data I Rekayasa Perangkat Lunak II 0.60
10 Rekayasa Perangkat Lunak II Basis Data I 0.80
11 Basis Data I Struktur Data 0.59
12 Struktur Data Basis Data I 0.89
13 Algoritma dan Pemrograman II Basis Data I & 0.61
Rekayasa Perangkat Lunak I
14 Basis Data I Algoritma dan Pemrograman II & 0.59
Rekayasa Perangkat Lunak I
15 Rekayasa Perangkat Lunak I Algoritma 0.64
dan Pemrograman II
16 Algoritma dan Pemrograman II & Basis Data I 0.73
Rekayasa Perangkat Lunak I
17 Algoritma dan Pemrograman II & Rekayasa 0.87
Perangkat Lunak I Basis Data I
18 Basis Data I & Rekayasa Perangkat Lunak I 0.84
Algoritma dan Pemrograman II
Aturan asosiasi yang kuat yang terbentuk adalah sebanyak 6 aturan yaitu
sebagai berikut :
Tabel 5.33 Aturan Asosiasi dengan minsup 0.45 dan minconf 0.5
Percobaan I.2.e
Sehingga terbentuk strong association rule seperti pada tabel dibawah ini :
Tabel 5.36 Aturan asosiasi dengan minsup 0.5 dan minconf 0.5 pada
dataset II
No Aturan asosiasi Confidence
atura
n
1 Algoritma dan Pemrograman II Basis Data 0.83
I
2 Basis Data I Algoritma dan Pemrograman 0.80
II
Percobaan I.2.f
Percobaan I.2.g
Percobaan I.2.h
B. Percobaan Jenis II
nilai minimum confidence antara 0.6 s.d 0.7, karena suatu aturan dirasa valid apabila
mempunyai nilai confidence (nilai kepastian 50%). Dalam percobaan ini dipakai
Dataset I nilai minimum support 0.4 s.d 0.55 karena pada rentang tersebut terbentuk
1. Percobaan II.1
Tabel 5.44 Aturan asosiasi dengan minsup 0.4 dan minconf 0.6 pada dataset I
No Aturan Confidence
Aturan
1. Algoritma dan Pemrograman I Algoritma dan Pemrograman II 0.80
2. Algoritma dan Pemrograman II Algoritma dan Pemrograman I 0.66
3. Algoritma dan Pemrograman I Grafika Komputer Lanjut 0.87
4. Grafika Komputer Lanjut Algoritma dan Pemrograman I 0.65
5. Algoritma dan Pemrograman I Kompresi Data 0.71
6. Kompresi Data Algoritma dan Pemrograman I 0.62
7. Algoritma dan Pemrograman II Analisis Algoritma 0.67
8. Analisis Algoritma Algoritma dan Pemrograman II 0.86
9. Algoritma dan Pemrograman II Basis Data II 0.67
10. Basis Data II Algoritma dan Pemrograman II 0.87
11. Algoritma dan Pemrograman II Grafika Komputer Lanjut 0.83
12. Grafika Komputer Lanjut Algoritma dan Pemrograman II 0.76
13. Algoritma dan Pemrograman II Kompresi Data 0.78
14. Kompresi Data Algoritma dan Pemrograman II 0.83
15. Algoritma dan Pemrograman II Konsep Bahasa Pemrograman 0.64
16. Konsep Bahasa Pemrograman Algoritma dan Pemrograman II 0.78
17. Analisis Algoritma Grafika Komputer Lanjut 0.86
18. Grafika Komputer Lanjut Analisis Algoritma 0.61
19. Analisis Algoritma Kompresi Data 0.84
20. Kompresi Data Analisis Algoritma 0.69
21. Analisis Algoritma Konsep Bahasa Pemrograman 0.73
22. Konsep Bahasa Pemrograman Analisis Algoritma 0.69
23. Basis Data II Grafika Komputer Lanjut 0.81
24. Basis Data II Kompresi Data 0.78
25. Kompresi Data Basis Data II 0.63
26. Grafika Komputer Lanjut Kompresi Data 0.70
27. Kompresi Data Grafika Komputer Lanjut 0.81
28. Grafika Komputer Lanjut Konsep Bahasa Pemrograman 0.61
29. Konsep Bahasa Pemrograman Grafika Komputer Lanjut 0.82
30. Kompresi Data Konsep Bahasa Pemrograman 0.68
31. Konsep Bahasa Pemrograman Kompresi Data 0.78
32. Algoritma dan Pemrograman I Algoritma dan Pemrograman 0.72
II & Grafika Komputer Lanjut
33. Algoritma dan Pemrograman II Algoritma dan Pemrograman I 0.60
& Grafika Komputer Lanjut
111
Tabel 5.45 Aturan asosiasi dengan minsup 0.4 dan minconf 0.7 pada dataset I
No Aturan asosiasi Confidence
Atura
n
1. Algoritma dan Pemrograman I Algoritma dan Pemrograman II 0.80
2. Algoritma dan Pemrograman I Grafika Komputer Lanjut 0.87
3. Algoritma dan Pemrograman I Kompresi Data 0.71
4. Analisis Algoritma Algoritma dan Pemrograman II 0.86
5. Basis Data II Algoritma dan Pemrograman II 0.87
6. Algoritma dan Pemrograman II Grafika Komputer Lanjut 0.83
7. Grafika Komputer Lanjut Algoritma dan Pemrograman II 0.76
8. Algoritma dan Pemrograman II Kompresi Data 0.78
9. Kompresi Data Algoritma dan Pemrograman II 0.83
10. Konsep Bahasa Pemrograman Algoritma dan Pemrograman II 0.78
11. Analisis Algoritma Grafika Komputer Lanjut 0.86
12. Analisis Algoritma Kompresi Data 0.84
13. Kompresi Data Analisis Algoritma 0.69
14. Analisis Algoritma Konsep Bahasa Pemrograman 0.73
15. Basis Data II Grafika Komputer Lanjut 0.81
16. Basis Data II Kompresi Data 0.78
17. Grafika Komputer Lanjut Kompresi Data 0.70
18. Kompresi Data Grafika Komputer Lanjut 0.81
19. Konsep Bahasa Pemrograman Grafika Komputer Lanjut 0.82
20. Kompresi Data Konsep Bahasa Pemrograman 0.68
21. Konsep Bahasa Pemrograman Kompresi Data 0.78
22. Algoritma dan Pemrograman I Algoritma dan Pemrograman II & 0.72
Grafika Komputer Lanjut
23. Algoritma dan Pemrograman I & Algoritma dan Pemrograman II 0.91
Grafika Komputer Lanjut
24. Algoritma dan Pemrograman I & Grafika Komputer Lanjut 0.84
Algoritma dan Pemrograman II
25. Algoritma dan Pemrograman II& Grafika Komputer Lanjut 0.72
Algoritma dan Pemrograman I
26. Analisis Algoritma Algoritma dan Pemrograman II & Kompresi 0.76
Data
27. Algoritma dan Pemrograman II&Analisis Algoritma Kompresi 0.89
Data
28. Algoritma dan Pemrograman II&Kompresi Data Analisis 0.76
Algoritma
113
Percobaan II.2
Tabel 5.46 Aturan asosiasi dengan minsup 0.45 dan minconf 0.6 pada dataset I
Percobaan II.2b
Tabel 5.47 Aturan asosiasi dengan minsup 0.45 dan minconf 0.7 pada dataset I
Percobaan II.3
Tabel 5.48 Aturan asosiasi dengan minsup 0.5 dan minconf 0.6 pada dataset I
Tabel 5.49 Aturan asosiasi dengan minsup 0.5 dan minconf 0.7 pada dataset I
No Aturan asosiasi Confidence
Aturan
1 Analisis Algoritma Pengantar 0.83
Grafika Komputer dan Multimedia
2 Pengantar Grafika Komputer dan Multimedia 0.76
Analisis Algoritma
3 Analisis Algoritma Sistem Cerdas 0.78
4 Sistem Cerdas Analisis Algoritma 0.83
5 Pengantar Grafika Komputer dan Multimedia 0.70
Sistem Cerdas
6 Sistem Cerdas Pengantar Grafika Komputer 0.81
dan Multimedia
Percobaan II.4
berikut :
Tabel 5.51 Aturan asosiasi dengan minsup 0.55 dan minconf 0.7 pada dataset I
No Aturan Confidence
Aturan
1 Analisis Algoritma Pengantar 0.83
Grafika Komputer dan Multimedia
2 Pengantar Grafika Komputer dan Multimedia 0.76
Analisis Algoritma
3 Analisis Algoritma Sistem Cerdas 0.78
4 Sistem Cerdas Analisis Algoritma 0.83
118
C. PEMBAHASAN
60
Jumlah aturan asosiasi yang kuat
50 50
40
30
20
26
10
0
6 4
0 0
0,55
0,40,450,5 0,6 0,65
Gambar 5.1 Grafik hubungan nilai minimum support terhadap jumlah aturan asosiasi
yang kuat pada dataset I
119
70
jumlah aturan asosiasi yg kuat
60
50 59
40
30
20
10 34
0
18
6
222 0
0,50,550,6 0,65
0,30,350,40,45
Nilai minimum support
Gambar 5.2 Grafik hubungan nilai minimum support terhadap jumlah aturan asosiasi yang kuat pada dataset II
Dari hasil percobaan yang dilakukan diatas dapat dilihat bahwa nilai
juga terhadap jumlah aturan yang terbentuk. Terlihat pada grafik bahwa semakin
kecil nilai minimum support semakin banyak aturan asosiasi yang kuat yang
terbentuk, sebaliknya semakin besar nilai minimum support semakin sedikit aturan
yang telah dilakukan diatas, hasilnya dapat dilihat pada grafik dibawah ini :
50
48
40 jml aturan asosiasi yg kuat dg minsup 0.4 jml aturan asosia
34 jml aturan asosiasi yg kuat dg minsup 0,5 jml aturan asosia
30
26
20
17
10
46 46
0 0,6 0,7
Gambar 5.3 Grafik hubungan nilai minimum confidence terhadap jumlah aturan
asosiasi yang kuat pada dataset I
Dari grafik diatas dapat dilihat bahwa dengan memperbesar nilai minimum
confidence jumlah aturan asosiasi yg kuat yang terbentuk semakin sedikit, tetapi ada
pula yang jumlahnya sama. Jumlah aturan yang sama disebabkan karena besarnya
yang kuat (Strong Association Rule) yang telah terbentuk merupakan aturan yang
cukup menarik atau bermakna sehingga aturan bisa merupakan aturan yang janggal
(misleading).
121
pencarian pola pada dataset dengan metode Apriori ternyata tidak mendapatkan pola
yang diharapkan, karena diduga pola yang terdapat pada dataset bersifat menyebar.
122
BAB VI
A. Kesimpulan
sedikit jumlah kandidat itemset yang tergolong sebagai frequent itemset. Hal
semakin sedikit jumlah aturan asosiasi yang kuat (strong association rule)
yang terbentuk.
6. Program ini telah diuji pada beberapa dataset fiktif dan mendapatkan hasil
7. Tidak semua aturan asosiasi yang kuat (Strong Association Rule) yang telah
itu pencarian pola pada dataset dengan metode apriori ternyata tidak
mendapatkan pola yang diharapkan, karena diduga pola yang terdapat pada
B. Saran
Berdasarkan hasil dari analisa tugas akhir, program masih belum sempurna
sehingga penulis memberi saran untuk pengembangan lebih lanjut antara lain:
1. Saat ini program hanya bisa menerima input tabel data yang berformat .DBF,
input yang berformat selain .DBF misalnya data dalam format MDB.
2. Aturan-aturan yang didapat pada program ini disimpan pada listbox yang
3. Untuk mendapatkan aturan asosiasi yang lebih baik dan tidak terkesan
c). Mempergunakan dataset yang lebih besar ukurannya sehingga pola yang
DAFTAR PUSTAKA
TiLoMe-140305.pdf
Sucahyo, Yudho Giri, Penerapan Data Mining Permasalahan Apa Saja yang
Bisa Diselesaikan.
http://ilmukomputer.com/populer/yudho/yudhodatamining.pdf.2003
Sukarya, Oyo & Moch. Arif Bijaksana & Dana Sulistiyo Kusumo, Perbandingan
Pencarian Frequent Itemset Menggunakan Algoritma Cut Both Ways dan
Algoritma Apriori.
http://www.stttelkom.ac.id/staf/MAB/TA-PA/jurnal-oyo.zip
127
LAMPIRAN
Lampiran 1. Data salah satu mahasiswa prodi Ilmu Komputer yang diperoleh dari
BAPSI
Smt
Ambil Kode Mtk Nama Mtk Sks Nilai
Thn/Smt : 2001 / Ganjil
MAB 112 Bahasa Inggris I 2 B
MAK 102 Pengantar Ilmu Komputer 2 B
MAK 102P Praktikum Pengantar Ilmu Komputer 1 A
MAK 103 Algoritma dan Pemrograman I 2 B
MAK 103P Praktikum Algoritma Dan Pemrograman I 1 B
MAM 108 Matematika Dasar I 3 C
MAM 121 Logika Matematik 3 C
USD 104 Pendidikan Pancasila 2 D
USD 110 Pendidikan Agama 2 B
Tot SKS / IPS 18 2,50
Thn/Smt : 2001 / Genap
MAB 113 Bahasa Inggris II 2 B
MAF 103 Fisika Dasar 3 B
MAK 104 Algoritma Dan Pemrograman II 2 B
MAK 104P Praktikum Algoritma Dan Pemrograman II 1 A
MAK 105 Sistem Digital 3 C
MAK 105P Praktikum Sistem Digital 1 A
MAK 208 Pemrograman Berorientasi Obyek I 2 A
MAK 208P Prakt. Pemrograman Berorientasi Obyek I 1 A
MAM 109 Matematika Dasar II 3 C
MAM 151 Pengantar Teori Probabilitas 3 B
USD 111 Teologi Moral 2 B
USD 208 Ilmu Budaya Dasar 2 C
Tot SKS / IPS 25 2,88
Thn/Smt : 2002 / Ganjil
MAK 205 Struktur Data 2 A
MAK 205P Praktikum Struktur Data 1 B
MAK 206 Organisasi Komputer 2 B
MAK 206P Praktikum Organisasi Komputer 1 A
MAK 431 Teori Bahasa dan Otomata 3 A
MAM 230 Matematika Diskret 3 B
MAM 232 Aljabar Linear Dan Matriks 2 A
MAM 253 Statistika 2 B
MAM 253P Praktikum Statistika 1 A
USD 123 Pendidikan Pancasila 2 C
USD 206 Pendidikan Kewarganegaraan 2 A
Tot SKS / IPS 21 3,43
Thn/Smt : 2002 / Genap
MAK 207 Sistem Operasi 2 B
MAK 207P Praktikum Sistem Operasi 1 D
128
M
Basis Data II
M
Pemrograman Client/Server
M
Robotika
N
M
Sistem Cerdas Pemrosesan Bahasa Alami
M
Jaringan Syaraf Tiruan
M M M
Struktur Data Analisis Algoritma Sistem berbasis Pengetahuan
N
M Konsep Bahasa Pemrograman
Algoritma & Pemrograman Algoritma
I & Pemrograman II
N
Algoritma Genetika
M
Kompresi Data
M
Pengenalan Pola
Pengantar Grafika Komputer Multimedia
M M
Animasi Komputer
N
M Grafika Komputer Teknologi Multimedia
Lanjut
M
Pemrosesan Citra