Komputika: Jurnal Sistem Komputer Vol.
No.
Oktober 2017, hlm.
59 - 65
DOI: 10.
34010/komputika.
ISSN: 2252-9039
Algoritma Apriori untuk Menampilkan Korelasi Nilai Akademik dengan Kelulusan Mahasiswa: Data Mining Apriori Algorithm in Describing the Correlation Between Academic Data and Student Graduation: Data Mining S L Br Ginting1*.
S A Purba2.
I D Sumitra3 1,.
Program Studi Sistem Komputer.
Fakultas Teknik dan Ilmu Komputer.
Universitas Komputer Indonesia Jl.
Dipati Ukur No.
112 Ae 116.
Bandung.
Indonesia 40132 .
Program Studi Sistem Informasi.
Fakultas Teknik dan Ilmu Komputer.
Universitas Komputer Indonesia Jl.
Dipati Ukur No.
112 Ae 116.
Bandung.
Indonesia 40132 *email: selvia.
lorena@email.
ABSTRACT Ae The number of student data that increases every year certainly results in data accumulation in A data processing technique is needed hence the data that accumulates is not difficult to analyze.
This research was conducted to analyze the relationship between student academic data and graduation categories.
Varied processing techniques need to be adjusted to the needs of data analysis, the method used in this research is the Apriori algorithm, which is the Association algorithm that uses knowledge of the frequency of previously known attributes to process further information.
This research is carried out by utilizing academic data and student graduation data, namely by finding the percentage of the relationship between the value of student courses to graduation categories using data mining.
Graduation categories are measured from the length of study students and GPA, while the academic data used is the value of student courses.
The information displayed is a value of support (Support Valu.
and confidence (Certainty Valu.
Keywords Ae Data Mining.
Association.
Apriori Algorithm.
Support and Confidence ABSTRAK Ae Jumlah data mahasiswa yang bertambah setiap tahun tentu mengakibatkan penumpukan data di perguruan tinggi.
Dibutuhkan suatu teknik pengolahan data agar data yang menumpuk tidak sulit untuk dianalisa.
Riset ini dilakukan untuk menganalisis hubungan antara data akademik mahasiswa dengan kategori kelulusan.
Teknik pengolahan yang bervariasi perlu disesuaikan dengan kebutuhan analisis data, metode yang digunakan dalam riset ini adalah algoritma Apriori, yaitu algoritma Asosiasi yang menggunakan pengetahuan frekuensi atribut yang telah diketahui sebelumnya untuk memproses informasi selanjutnya.
Riset ini dilakukan dengan memanfaatkan data akademik dan data kelulusan mahasiswa, yaitu dengan mencari persentase hubungan antara nilai mata kuliah mahasiswa terhadap kategori kelulusan menggunakan data mining.
Kategori kelulusan diukur dari lama studi mahasiswa dan IPK, sedangkan data akademik yang digunakan adalah nilai mata kuliah mahasiswa.
Informasi yang ditampilkan berupa nilai support (Nilai Penunjan.
dan confidence (Nilai Kepastia.
Kata Kunci Ae Data Mining.
Asosiasi.
Algoritma Apriori.
Support dan Confidence PENDAHULUAN Jumlah data mahasiswa di perguruan tinggi pasti bertambah setiap tahunnya.
Salah satu akibat dari pertumbuhan data ini adalah tumpukan data, yang apabila tidak dikelola dengan benar akan menjadikan informasi yang tersedia menjadi sulit dipahami, padahal data-data tersebut tentu saja sangat bermanfaat apabila disajikan dengan lebih sederhana dan memadai dengan cara penyajian yang akurat dari waktu ke waktu.
Pemanfaatan data dalam mengambil suatu keputusan, tentu saja tidak lengkap dengan hanya meanfaatkan data-data operasional saja, hal ini Tersedia di https://ojs.
id/index.
php/komputika Copyright A 2017.
Komputika: Jurnal Sistem Komputer.
ISSN: 2252-9039 S L Br Ginting.
S A Purba, & I D Sumitra Komputika.
Vol.
No.
Oktober 2017 karena data-data operasional tidak cukup memadai untuk menampilkan informasi yang dibutuhkan.
Oleh karena itu dibutuhkan suatu algoritma untuk menganalisis data agar potensi-potensi informasi yang ada dapat digali dan tumpukan data tersebut dikelola menjadi informasi yang bermanfaat yaitu data mining.
Data mining adalah metode penting untuk meningkatkan efisiensi dalam menemukan informasi baru atau tersembunyi yang berguna, valid dan mudah dipahami dari basis data yang sangat besar.
Data Mining adalah proses analisis data dari berbagai sudut pandang dan meringkas data tersebut ke dalam format informasi identik yang bermanfaat dan dapat digunakan untuk memprediksi tren di masa depan .
, .
Setiap perguruan tinggi dituntut untuk meningkatkan kualitasnya, hal ini tentu saja harus disertai dengan sumber daya manusia yang berkualitas, juga didukung baik oleh sarana dan prasarana yang menunjang sehingga mahasiswa diharapkan bisa lulus tepat waktu.
Di UNIKOM khususnya di Jurusan Sistem Komputer, tingkat kelulusan mahasiswa masih terbilang rendah dengan Indeks Prestasi yang juga terbilang kecil, dengan masa studi lebih dari 5 tahun dari yang dijadwalkan yaitu 4 tahun.
Oleh karena itu dengan memanfaatkan data akademik dan data kelulusan mahasiswa, penulis mengimplementasikan data mining untuk membuat suatu aplikasi, yaitu teknik asosiasi dengan algoritma apriori.
Diharapkan dengan adanya aplikasi ini Jurusan Sistem Komputer baik sekretariat, dosen maupun mahasiswa dapat mengambil solusi atau kebijakan yang lebih baik dalam proses evaluasi pembelajaran, sehingga dapat meningkatkan tingkat kelulusan mahasiswa dan kualitas Jurusan Sistem Komputer .
, .
paling mungkin .
ost likel.
Misalnya suatu cara yang dikembangkan oleh War-Mart, yaitu dengan menganalisis data belanja di gudang data, dan menemukan bahwa pembeli laki-laki yang membeli popok cenderung membeli bir, berdasarkan data tersebut Wal-Mart kemudian menempatkan popok dan bir secara berdekatan dan ternyata penjualan bir Dari contoh dapat dilihat aturan asosiasi dengan istilah antedecent yaitu popok mewakili bagian AujikaAy dan consequent yaitu bir mewakili bagian AumakaAy .
, .
Algoritma Apriori pertama kali diusulkan oleh Agrawal dan Srikan pada tahun 1994 untuk menemukan frequent itemsets pada aturan asosiasi Boolean.
Algoritma Apriori biasanya digunakan dalam memecahkan permasalah association rule mining, yaitu dengan mencari seluruh aturan apriori dalam suatu himpunan itemset dan mengolah data tersebut sehingga himpunan item-item transaksi dapat memenuhi minimum support dan confidence.
Hal ini sesuai dengan .
bahwa Algoritma Apriori merupakan algoritma yang digunakan untuk melakukan pencarian frequent itemset dengan menggunakan teknik association rule.
Pada algoritma Apriori cara menentukan kandidat yang mungkin muncul yaitu dengan mencari kombinasi antar item yang memenuhi nilai minimum support dan nilai minimum confidence.
Support adalah nilai penunjang atau persentase kombinasi item dalam database .
, .
Nilai Support dapat diperoleh dengan Rumus .
ycIycycyycyycuycyc .
= yaycycoycoycaEa ycNycycaycuycycaycoycycn ycAyceycuyciycaycuyccycycuyci ya ycNycuycycayco ycNycycaycuycycaycoycycn Sedangkan kepastian: kuatnya hubungan antar-item dalam aturan asosiasi.
Nilai Confidence dapat ditemukan, setelah pola frekuensi tinggi sebuah item ditemukan.
Rumus untuk menghitung nilai confidence adalah sebagai berikut .
METODE DAAN BAHAN
Data mining merupakan suatu cara yang pada pengetahuan dari suatu gudang data.
Data mining digunakan sebagai proses ekstraksi sebuah informasi atau pola yang menarik, atau tidak diketahui sebelumnya yang mungkin bermanfaat dari data yang berada di dalam database yang besar.
Proses ini semi-otomatis menggunakan teknik statistika, matematika, dan kecerdasan buatan .
, .
Asosiasi atau Association Rule merupakan suatu aturan yang memberikan informasi dalam bentuk hubungan Auif-thenAy atau Aujika-makaAy yang dihitung berdasarkan database dan sifatnya probabilistik.
Ide dari aturan ini adalah untuk mencari hubungan antara data dan mencari semua kemungkinan yang AuJika A maka BAy = (A B) maka:
Confidence P(B|A) = Oc ycycycaycuycycaycoycycn ycoyceycuyciycaycuyccycycuyci ya yccycaycu yaA Oc ycNycycaycuycycaycoycycn ycoyceycuyciycaycuyccycycuyci ya .
Ide utama algoritma ini adalah dengan memeriksa kombinasi item .
requent itemse.
yang dapat menjadi nilai syarat minimum support dalam basis data.
Frequent itemset mengisyaratkan himpunan itemset yang frekuensi kemunculannya lebih dari nilai minimum yang ditetapkan ().
Misalkan = 2, maka semua itemsets yang frekuensinya kelihatan lebih dari atau sama dengan 2 kali disebut frequent.
Himpunan dari frequent k- S L Br Ginting.
S A Purba, & I D Sumitra Komputika.
Vol.
No.
Oktober 2017 itemset dilambangkan dengan Fk.
Selanjutnya aturan asosiasi dibangun dari nilai itemset yang bias memenuhi minimum nilai confidence dalam basis data .
Algoritma metode Apriori dapat dilihat dengan cara sebagai berikut .
, .
, .
NIM
L1 = .
requent itemset with one elemen.
=2.
Lk-1OUA.
k ) Ck = apriori-gen(Lk-.
//pembuatan //baru for all transactions t C't = subset(Ck, .
//kandidat yang //tampil pada t for all candidates c OO C't do count .
Lk = { c OO C't | c.
count Ou minsu.
return UE kLk Tabel 1.
Transformasi Data
A(AP)
A(AP)
A(AP)
B(AP)
D(AP)
E(AP)
E(AP)
E(AP)
E(AP)
D(AP)
A(AP)
C(AP)
Tabel 3.
Kandidat Pertama (C.
Count
Itemset
A(AP)
B(AP)
C(AP)
D(AP)
E(AP)
Berikut contoh proses mining untuk dapat mengetahui korelasi antara tingkat kelulusan dengan nilai matakuliah adalah seperti pada tabel 1 berikut:
Kandidat pertama (C.
didapatkan dari data awal diatas seperti pada Tabel 3.
di mana:
= himpunan frequent itemset
minsup = minimum support
= himpunan kandidat itemset
= kandidat itemset
= transaksi
KATE
GORI
Tabel 2.
Data Awal Kategori Nilai Algoritma Kelulusan Pemrograman I B(AP) B(AP) A(AP) KETERANGAN Masa Studi 4 tahun atau kurang dari 4 tahun dan IPK 3,50 - 4,00 Masa Studi 4 tahun atau kurang dari 4 tahun dan IPK 2,75 Ae 3,49 Masa Studi 4 tahun atau kurang dari 4 tahun dan IPK 2,00 Ae 2,74 Masa Studi lebih dari 4 tahun dan IPK 3,50 - 4,00 Massa Studi lebih dari 4 tahun dan IPK 2,75 Ae 3,49 Masa Studi lebih dari 4 tahun dan IPK 2,00 Ae 2,74 Jika Threshold = 3 ditetapkan, maka kandidat berikutnya yang nilainya kurang dari 3 akan Sehingga hasil yang didaptkan seperti Tabel 4 (L.
Tabel 4.
Hasil yang Didapat Setelah Threshold Ditetapkan (L.
Count
Itemset
A(AP)
B(AP)
E(AP)
Tabel diatas merupakan tabel transformasi data yang akan digunakan dalam proses asosiasi seperti pada Tabel 2 berikut:
S L Br Ginting.
S A Purba, & I D Sumitra Komputika.
Vol.
No.
Oktober 2017 Dari Tabel 4 diatas didapat kandidat kedua yaitu (C.
seperti pada Tabel 5 berikut:
Tabel 5.
Kandidat Kedua (C.
Itemset A1.
A1,B
A1,E
B2,A
B2,B
B2,E
Dalam tugas akhir ini akan dicari hubungan kategori kelulusan dengan nilai mata Kategori Kelulusan merupakan kombinasi masa studi dan IPK mahasiswa, sedangkan atribut yang digunakan merupakan nilai mata kuliah yang sudah dijelaskan sebelumnya.
Dari kategori kelulusan dan atribut nilai tersebut maka langkah pertama yang dilakukan dalam proses asosiasi adalah menghitung setiap itemset yang terdapat dalam database, kemudian jumlah itemset tersebut akan diberikan nilai batasan minimum yang disebut dengan threshold, setelah itu akan dilakukan proses asosiasi dengan mengkombinasikan setiap data yang memenuhi threshold, dan kemudian data yang sudah dikombinasikan akan dithreshold lagi, data yang jumlahnya sama atau lebih dari threshold akan dihitung kembali dan dikombinasikan.
Proses tersebut akan terus berulang selama data tersebut masih bisa dikombinasikan dan masih memenuhi Output yang dihasilkan dalam proses asosiasi ini berupa persentase confidence .
tau nilai keyakina.
dan persentase support .
ilai pengunjung atau persentase kombinasi sebuah item dalam databas.
Pengujian dilakukan dengan menggunakan threshold yang berbeda.
Count Setelah ditetapkan nilai threshold yang baru menghasilkan data seperti pada Tabel 6.
Tabel 6.
Hasil kedua (L.
Count Itemset A1.
B2.
Dari Tabel 6 diatas dapat diambil informasi sebagai Support A1.
A = count (A1,A)/jumlah transaksi
= 3/15
Support B2.
= count (B2.
E)/jumlah transaksi
= 4/15
Confidence A1.
A= count (A1.
A)/count (A.
= 3/3 Confidence B2.
E = count (B2.
E)/count (B.
= 4/9 Dari Pengujian Aplikasi diatas dapat ditemukan proses mining hubungan tingkat kelulusan dengan nilai Algoritma Pemrograman mahasiswa dengan menggunakan threshold 3 dihasilkan korelasi A1.
A nilai supportnya 3/15 dengan nilai confidence 3/3 dan hubungan antara B2.
E nilai supportnya adalah 4/15 dengan nilai confidence 4/9.
Pengujian Database Menggunakan Matakuliah Algoritma Pemrograman Angkatan 2001-2009 Pengujian database ini dilakukan menggunakan nilai satu mata kuliah yang diujikan dengan menggunakan threshold yang sama dengan tujuan dapat mengetahui nilai threshold dan hubungan kategori kelulusan dengan nilai mata kuliah yang Gambar 1 merupakan hasil proses pengujian aplikasi menggunakan mata kuliah Algoritma Pemrograman dengan threshold=2, data yang digunakan merupakan database angkatan 2001-2009, dengan hasil seperti pada grafik berikut, dapat dilihat pada Gambar 1.
PENGUJIAN DAN PEMBAHASAN
Sistem selanjutnya diuji, pengujian terhadap aplikasi yang dibuat ini bertujuan apakah aplikasi data mining ini berhasil diimplementasikan atau tidak untuk menghitung tingkat kelulusan mahasiswa Sistem Komputer.
Pengujian terjadi dalam dua proses yaitu Pengujian menggunakan kombinasi mata kuliah sebagai bahan uji.
Pengujian menggunakan threshold yang berbeda dalam proses uji.
Proses pengujian dilakukan untuk mengetahui kinerja sebuah metode dalam pemecahan suatu S L Br Ginting.
S A Purba, & I D Sumitra Komputika.
Vol.
No.
Oktober 2017 Hasil Pengujian Matakuliah Algoritma Menggunakan Threshold = 2 Hasil Pengujian Matakuliah B.
Rakitan Menggunakan Threshold=2 100,00 100,00 80,00 80,00 60,00 60,00 Conf % 40,00 20,00 Sup % 20,00 A1BRA
A1BRB
A2BRB
A2BRC
A2BRE
B1BRA
B1BRC
B2BRA
B2BRB
B2BRC
B2BRD
B2BRE
B3BRB
B3BRC
B3BRD
B3BRE
0,00
A1APA
A2APB
A2APC
A2APD
B1APA
B1APC
B2APA
B2APB
B2APC
B2APD
B2APE
B3APB
B3APC
B3APD
B3APE
0,00
Conf % 40,00 Supt % Gambar 1.
Hasil Pengujian Menggunakan Mata Kuliah Algoritma Pemrograman dengan Threshold = 2 Gambar 2.
Hasil Pengujian Menggunakan Mata Kuliah Bahasa Rakitan dengan Threshold = 2 Dari Gambar 2 dapat dilihat bahwa mahasiwa dapat lulus pada kategori kelulusan A1 dengan nilai mata kuliah Bahasa Rakitan A atau B dengan nilai keyakinan 100%, tetapi dapat dilihat bahwa nilai A mendapatkan support yang lebih besar dari nilai B yaitu sebesar 17% dari proses database.
Selain itu dari gambar juga dapat dilihat pada kategori B2 mahasiswa dapat lulus dengan semua nilai, tetapi nilai C mendapatkan support yang lebih besar dalam database yaitu sebesar 16%.
Gambar 1 diatas merupakan grafik hubungan kategori kelulusan dengan nilai mata kuliah Algoritma Pemrograman, dari gambar tersebut dapat disimpulkan bahwa proses mining hubungan kategori kelulusan dengan nilai mata Algoritma Pemrograman mempunyai keyakinan 100 % lulus pada kategori A2 dengan nilai support pada database sebesar 17% , pada kategori B2 dengan nilai keyakinan 33,13% dengan nilai support 21,13% serta pada kategori B3 dengan nilai keyakinan sebesar 30% dari 7,50% support dalam Dari gambar dapat diketahui bahwa dengan nilai C, maka peluang mahasiswa akan lulus pada kategori B2 akan lebih tinggi dengan nilai support dalam database sebesar 21, 13%.
Selain itu pada gambar dapat dilihat juga bahwa mahasiswa akan lulus pada kategori A1 hanya jika mendapatkan nilai A pada mata kuliah Algoritma Pemrograman dengan nilai keyakinan 58,50% dengan 22% support dalam Pengujian Database Menggunakan Matakuliah dengan threshold = 2 Satu Pengujian berikut ini dilakukan menggunakan nilai satu mata kuliah yang diujikan dengan menggunakan threshold yang sama dengan tujuan dapat mengetahui nilai threshold dan nilai mata kuliah yang terbaik.
Gambar 3 merupakan hasil proses pengujian aplikasi menggunakan threshold = 2, data yang digunakan merupakan database angkatan 2009, dengan hasil sebagai berikut:
Pengujian Database Menggunakan Matakuliah Bahasa Rakitan Angkatan 2001-2009 Hasil Pengujian Menggunakan Satu Mata Kuliah dengan Threshold = 2 Pengujian berikut ini dilakukan yaitu dengan cara menggunakan nilai satu mata kuliah yang diujikan dengan menggunakan threshold yang sama dengan tujuan dapat mengetahui nilai threshold dan hubungan kategori kelulusan dengan nilai mata kuliah yang terbaik.
Gambar 2 merupakan hasil proses pengujian aplikasi menggunakan mata kuliah Bahasa Rakitan dengan threshold =2, data yang digunakan merupakan database angkatan 2001-2009, dengan informasi seperti grafik berikut, dapat dilihat pada Gambar 2.
Gambar 3.
Hasil Pengujian Menggunakan Satu Mata Kuliah dengan Threshold = 2 S L Br Ginting.
S A Purba, & I D Sumitra Komputika.
Vol.
No.
Oktober 2017 Dari gambar 3 dapat disimpulkan bahwa proses mining hubungan tingkat kelulusan dengan nilai A pada Algoritma Pemrograman mahasiswa dengan kategori A1 menggunakan threshold = 2 menghasilkan nilai confidence atau keyakinan 100% dengan nilai support 27,27 % dari seluruh proses Dari hasil gambar diatas juga dapat dilihat bahwa nilai Algoritma Pemrograman mempunyai persentase yang lebih kuat untuk lulus di kategori A1 dibandingkan dengan mata kuliah lainnya.
Pengujian Database Menggunakan Matakuliah dengan Threshold = 3 nilai dalam mata kuliah bahasa rakitan tidak memenuhi nilai threshold.
Pengujian Database Menggunakan Kombinasi Matakuliah dengan Threshold = 2 Pengujian ini dilakukan dengan cara menggunakan kombinasi 1-4 matakuliah dengan tujuan dapat mengambil kombinasi yang terbaik dengan tingkat keberhasilan yang tinggi untuk mengetahui persentase nilai confidence dan support dari kategori kelulusan dan nilai mahasiswa.
Gambar 5 berikut menunjukkan hasil pengujian aplikasi data mining dengan melakukan kombinasi mata kuliah dengan threshold = 2.
Satu Pengujian berikut dilakukan menggunakan nilai satu mata kuliah yang diujikan dengan menggunakan threshold yang sama dengan tujuan dapat mengetahui nilai threshold dan nilai mata kuliah yang terbaik.
Gambar 4 merupakan hasil proses pengujian aplikasi menggunakan threshold = 3, data yang digunakan merupakan database angkatan 2009, dengan hasil sebagai berikut:
Hasil Proses Mining Pengujian Kombinasi Mata Kuliah dengan Threshold=2 Conf % Sup % Hasil Pengujian Menggunakan Satu Mata Kuliah dengan Threshold = 3 Conf % A1(AP)A A2(AP)B A1(AP)A A2(AP)B A2(BR)C A2(BR)E B2(BR)D A1(AP)A A2(AP)B A2(BR)C A2(BR)E B2(BR)D A1(AP)A A2(AP)B A2(BR)C A2(BR)E B2(BR)D Gambar 5.
Hasil Proses Mining untuk Kombinasi Mata Kuliah Menggunakan Threshold = 2 Sup % Dari Gambar 5 dapat dilihat bahwa kombinasi dari 2-4 mata kuliah mempunyai hasil yang sama, hal ini bisa terjadi karena jumlah data yang kurang memadai, dan kurangnya variasi data sehingga kombinasi yang dilakukan tidak memenuhi threshold.
Oleh karena itu untuk menguji algoritma Apriori dengan kombinasi mata kuliah dibutuhkan data yang lebih besar.
Dari pengujian aplikasi pada proses tiga dan empat di atas dapat dilihat bahwa dengan mengubah nilai threshold akan menghasilkan kombinasi yang Jadi, ukuran nilai threshold yang besar belum tentu menjadi nilai threshold dengan tingkat keberhasilan yang tinggi dan menjadi nilai terbaik dalam pengujian database, begitupun juga Nilai threshold yang terbaik dapat dipengaruhi oleh jumlah dan kombinasi data yang Gambar 4.
Hasil Pengujian Menggunakan Satu Mata Kuliah dengan Threshold = 3 Dari gambar 4 dapat disimpulkan bahwa proses mining hubungan tingkat kelulusan dengan nilai A pada Algoritma Pemrograman mahasiswa dengan kategori A1 menggunakan threshold = 3 menghasilkan nilai confidence atau keyakinan 100% dengan nilai support atau jumlah proses dari seluruh database sebanyak 27,27 %.
Dari hasil gambar diatas juga dapat dilihat bahwa mahasiswa juga akan lulus pada kategori B2 atau lebih dari 4 tahun jika nilai Sistem Mikroprosesor adalah D dengan nilai keyakinan 100% dan nilai support 27,27 % jumlah proses dari seluruh database.
Dalam Gambar 4.
Nilai Bahasa Rakitan tidak memenuhi threshold, hal ini bisa terjadi karena nilai threshold yang terlalu tinggi atau data yang kurang memadai, sehingga kombinasi S L Br Ginting.
S A Purba, & I D Sumitra Komputika.
Vol.
No.
Oktober 2017
KESIMPULAN
Analysis terhadap data penjualan produk buku Dengan menggunakan algoritma apriori dan Frequent pattern growth .
p-growt.
: Studi kasus percetakan pt.
Gramedia,Ay Jur.
Telematika MKom, vol.
4, no.
1, 2012.
Han.
Pei, and M.
Kamber.
Data Mining concepts and techniques.
Elsevier, 2011.
Liao.
His.
Pei.
, and Yuan.
AuData mining techniques and applications Ae A decade review from 2000 to 2011,Ay Int.
Expert System with, vol.
39 no.
12, pp.
11303-11311, 2012.
Karyawati.
E and Winarko.
AuClass Association Rule pada Metode Associative Classification,Ay IJCCS, vol.
5 no.
3, 2011.
Liu.
Hsu.
, and Ma.
AuIntegrating Classification and Association Rule Mining,Ay In Proc.
of the Int.
Conf.
on Knowl.
Disc.
and D.
Mining, 24-25, 1998.
Agrawal.
and Srikant.
AuFast Algorithms for Mining Association Rule,Ay in Proc.
of the 20th Int.
Conf.
on Very Large Data Base.
Morgan Kaufmann.
Santiago, vol.
12, no.
15, pp.
487-499, 1994
Wu.
, et al.
AuTop 10 Algorithms in Data Mining,Ay Knowledge and Information Systems, vol.
14, no.
1, pp.
1Ae37, 2007 .
Rao.
Gupta.
AuImplementing Improved Algorithm Over APRIORI Data Mining Association Rule Algorithm,Ay Int.
J of Computer Science and Technology, pp.
489-493, 2012.
Anshu.
and Raghuvanshi.
AuAn algorithm for frequent pattern mining based on AprioriAy.
IJCSE) International Journal on Computer Science and Engineering, vol.
2 no.
04, pp.
942-947, 2010.
Listriani.
Setyaningrum.
and Eka.
AuPenerapan Metode Asosiasi Menggunakan Algoritma Apriori Pada Aplikasi Analisa Pola Belanja Konsumen (Studi Kasus Toko Buku Gramedia Bintar.
Ay.
Teknik Informatika, vol.
2, 2016.
Berdasarkan pengujian aplikasi dan pembahasan, dapat ditarik kesimpulan bahwa ada hubungan antara kategori kelulusan dengan nilai mata kuliah berdasarkan proses asosiasi dan kombinasi data.
Kemudian berdasarkan training dan pengujian database dapat disimpulkan jumlah data training .
umlah data dalam databas.
dapat mempengaruhi persentase kecocokan atau keakurasian datamining.
Pada pengujian aplikasi dapat dilihat bahwa jika mengubah nilai threshold, akan dihasilkan kombinasi yang bervariasi.
Nilai threshold yang besar belum tentu menjadi nilai threshold terbaik, dengan tingkat keberhasilan yang tinggi dan demikian juga Nilai threshold yang terbaik dapat dipengaruhi oleh jumlah data dan jumlah kombinasi data yang digunakan.
DAFTAR PUSTAKA