Tugas 1 Konsep Data Mining

 Jurnal 1

Judul Jurnal : Penerapan Data Mining Penjualan Sepatu

Metode Yang Digunakan : Algoritma Apriori

Tujuan : Untuk mendapatkan informasi tingkat penjualan perperiode

Hasil & Pembahasan : pengujian untuk menghasilkan rules berasal dari pola kombinasi dua items. Rules diatas terdiri atas Antecedent adalah bentuk kondisi dari pada rules, consequent adalah bentuk pernyataan dari pada rules, lift adalah menunjukan adanya tingkat kekuatan rules kejadian acak dari antecedent dan consequent berdasarkan pada support masing-masing.

Kesimpulan : Data mining dan algoritma apriori sangat berguna untuk mengetahui hubungan frekuensi penjualan sepatu yang paling diminati oleh konsumen, sehingga dapat dijadikan sebagai informasi yang sangat berharga dalam pengambil keputusan untuk mempersiapkan stok jenis sepatu apa saja yang diperlukan dikemudian hari, Algoritma Apriori membantu mengembangkan strategi penjualan sepatu

 

Jurnal 2

Judul Jurnal : DATA MINING UNTUK MEMPREDIKSI PRESTASI SISWA BERDASARKAN SOSIAL EKONOMI, MOTIVASI, KEDISIPLINAN DAN PRESTASI MASA LALU

Metode Yang Digunakan : KDD (Knowledge Data Discovery), Algortima J48

Tujuan : Membuat prediksi prestasi belajar siswa berdasarkan status sosial ekonomi orang tua, motivasi, kedisiplinan siswa dan prestasi masa lalu

Hasil & Pembahasan : Hasil penelitian berdasarkan tahapan - tahapan proses dalam KDD (Knowledge Data Discovery) sebagai berikut: (1) Data Selection, tahapan ini dilakukan untuk memilih data yang sesuai dengan variabel yang dibutuhkan dalam penelitian. Caranya adalah dengan memilih atau menentukan atribut-atribut data mana yang akan digunakan dalam penelitian dari sekelompok data operasional yang ada. Salah satunya adalah menentukan atribut-atribut untuk variabel Sosial Ekonomi Orang Tua yang diambil dari data operasional yaitu Data Pribadi Siswa yang ada di BP/BK sekolah; (2) Preprocessing/Cleaning, proses cleaning tersebut dilakukan terhadap keseluruhan data yang diteliti yang berjumlah 416 siswa. Setelah dilakukan proses cleaning data sejumlah 416, dihasilkan data bersih sebanyak 346 record data yang digunakan untuk proses analisis berikutnya; (3) Transformation, tahap ini menghasilkan satu recordset data yang siap untuk analisis data; (4) Analisis data.

Kesimpulan : Variabel motivasi adalah variabel yang menentukan potensi seorang siswa berhasil atau tidak prestasi belajarnya di waktu yang akan datang. Hal ini dibuktikan dengan adanya variabel motivasi yang menjadi root node dalam decision tree yang terbentuk. Variabel prestasi masa lalu merupakan variabel kedua yang penting dalam keberhasilan siswa menempuh studinya. Hal ini menunjukkan bahwa aspek knowledge atau kecerdasan siswa sangat berpengaruh terhadap keberhasilan belajarnya. Sebaliknya, walaupun siswa terprediksi secara knowledge kurang tetapi dengan motivasi tinggi tetap bisa berprestasi minimal pada kategori B atau C. Rata-rata keberhasilan algoritma J48 dalam melakukan klasifikasi data mencapai akurasi di 95,7%. Hal ini menunjukkan bahwa algoritma ini memiliki performa yang handal dalam melakukan klasifikasi.

 

 

Jurnal 3

Judul Jurnal : Penerapan Data Mining Untuk Menentukan Pola Penjualan Peralatan Sekolah Pada Brand Wigglo Dengan Menggunakan Algoritma Apriori

Metode Yang Digunakan : Algoritma Apriori

Tujuan : Kemajuan perusahaan atau usaha tersebut

Hasil & Pembahasan : Sejumlah data produk dari data transaksi pada bulan Oktober 2018 sampai bulan November 2018 pada PT. Panen Lestari Internusa. Data tersebut adalah data sample dari data transaksi sebanyak 40 transaksi yang akan dilakukan pengujiannya

Kesimpulan : Dari hasil perancangan aplikasi data mining dalam menentukan pola penjualan peralatan sekolah maka diperoleh suatu kesimpulan sebagai berikut:

1. Untuk menganalisa terhadap permasalahan yang terjadi maka dilakukan sebuah penelitian terhadap data-data penjualan peralatan sekolah yang ada pada PT. Panen Lestari Internusa serta melalukan wawancara terhadap perusaaahan PT. Panen Lestari Internusa.

2. Untuk membentuk pola kombinasi itemset maka dilakukan sebuah perhitungan terhadap data transaksi yang ada kemudian dilakukan pencarian nilai support dan nilai confidance setelah itu dilakukan membentuk pola kombinasi itemset .

3. Untuk merancang aplikasi data mining maka dibutuhkan beberapa perancangan diantaranya adalah perancangan sistem, perancangan database dan perancangan user interface untuk mengdapatkan hasil yang sesuai dengan yang diharapkan.

 

Jurnal 4

Judul Jurnal : Penerapan Data Mining Untuk Memprediksi Prestasi Akademik Mahasiswa Berdasarkan Dosen, Motivasi, Kedisiplinan, Ekonomi, dan Hasil Belajar

Metode Yang Digunakan : CRISP-DM (Cross Industry Standard Process for Data Mining), Algoritma c4.5

Tujuan : Mencapai tujuan pendidikan yang berkualitas agar mahasiswa memiliki kemampuan professional di bidang teknologi komputer. Salah satu indikator tercapainya tujuan tersebut adalah dari hasil prestasi akademik mahasiswa yang dinyatakan dengan Indek Prestasi Semester (IPS) dan Indek Prestasi Kumulatif (IPK).

Hasil & Pembahasan : Hasil penelitian berdasarkan tahapan tahapan proses dalam CRISP-DM. Tahapannya adalah

(1) Pemahaman terhadap bisnis (Business/Research Understanding Phase) yaitu pemahaman terhadap permasalahan yang diteliti. Dalam penelitian permasalahannya adalah prediksi prestasi akademik mahasiswa menggunakan metode Data Mining.

(2) Fase Pemahaman Data(Data Understanding Phase) yaitu pemahaman terhadap data yang akan diteliti. Data diperoleh dari database mahasiswa dan data yang di dapatkan dari penyebaran kuesioner yang terdiri dari data peran dosen, status ekonomi mahasiswa, motivasi, disiplin dan hasil belajar masa lalu. Sebelum kuesioner di sebarkan nya dilakukan terlebih dahulu uji Validitas dan Reliabilitas terhadap kuesioner yang akan disebarkan kepada Responden (mahasiswa) [6] . Untuk uji validitas dan reliabilitas di gunakan data sampel sebanyak 30 data yang di peroleh menggunakan teknik Purposive Sampling.

(3) Data Preparation yaitu tahap persiapan data. Data penelitian terdiri dari 6 variabel yang terdiri dari 5 atribut biasa yaitu status ekonomi mahasiswa (X1) , disiplin (X2), motivasi (X3), peran dosen (X4) dan hasil belajar masa lalu dan 1 atribut sebagai target atribut (label) yaitu Prestasi Akademik. Data yang diperoleh kemudian dilakukan pembersihan data (cleaning data), transformasi data sehingga data yang digunakan selanjutnya tidak terdapat missing

Kesimpulan : Berdasarkan analisis data menggunakan algoritma Decision Tree untuk memprediksi prestasi akademik berdasarkan sosial ekonomi, motivasi, peran dosen, disiplin dan hasil belajar masa lalu diperoleh hasil :

 (1) variabel hasil belajar masa lalu adalah variabel yang menentukan 44 potensi seseorang berhasil atau tidak dalam prestasi akademik. Hal ini dibuktikan bahwa Hasil Belajar menjadi node yang terpilih/awal.

(2) Variabel Peran Dosen menjadi variabel kedua menentukan Prestasi akademik

(3). Variabel Disiplin menjadi variabel ketiga menentukan Prestasi Akademik . (4) Hasil Akurasi klasifikasi menggunakan metode Area Under Curve (AUC) memperoleh nilai 65%

 

Jurnal 5

Judul Jurnal : Penerapan Data Mining Pada Data Transaksi Superstore Untuk Mengetahui Kemungkinan Pelanggan Membeli Product Category Dan Product Container Secara Bersamaan Dengan Teknik Asosiasi Menggunakan Algoritma Apriori

Metode Yang Digunakan : Algoritma Apriori

Tujuan : Menganalisis data transaksi disebuah Superstore, dapat diketahui berapa besar kemungkinan seorang pelanggan membeli product category tertentu dengan menggunakan product container tertentu secara bersamaan, sehingga pemilik Superstore dapat secara cepat mengambil keputusan jika seorang pelanggan membeli product category tertentu maka product container akan disesuaikan dengan jenis product category-nya. Sehingga pelanggan akan merasa puas dengan pelayanan yang diberikan oleh Superstore.

Hasil & Pembahasan :

1.      Fase Pemahaman Bisnis (Business Understanding Phase) Menentukan tujuan proyek dan kebutuhan secara detail dalam lingkup bisnis atau unit penelitian secara keseluruhan.

2.      Fase Pemahaman Data (Data Understanding Phase) Dataset superstore sales yang didapat dari internet berupa dokumen spreadsheet.

3.      Fase Pengolahan Data (Data Preparation Phase)

4.      Fase Pemodelan (Modeling Phase) Fase pemodelan adalah fase yang secara langsung melibatkan teknik data mining dan menentukan algoritma yang akan dilakukan.

5.      Fase Evaluasi (Evaluation Phase)

6.      Fase Penyebaran (Deployment Phase)

Kesimpulan : Data mining dengan teknik asosiasi mengunakan algoritma apriori dapat membantu pemilik Superstore secara cepat mengambil keputusan jika seorang pelanggan membeli product category tertentu maka product container akan disesuaikan dengan jenis product category-nya. Sehingga pelanggan akan merasa puas dengan pelayanan yang diberikan oleh Superstore. Data mining dengan teknik asosiasi mengunakan algoritma apriori selanjutnya dapat dikembangkan untuk kasus yang berbeda dengan menggunakan atribut yang lebih komplek.