Heart is one of the essential organs that assume a significant part in the human body. However, heart can also cause diseases that affect the death. World Health Organization (WHO) data from 2012 showed that all deaths from cardiovascular disease (vascular) 7.4 million (42.3%) were caused by heart disease. Increased cases of heart disease require a step as an early prevention and prevention efforts by making early diagnosis of heart disease. In this research will be done early diagnosis of heart disease by using data mining process in the form of classification. The algorithm used is K-Nearest Neighbor algorithm with Forward Selection method. The K-Nearest Neighbor algorithm is used for classification in order to obtain a decision result from the diagnosis of heart disease, while the forward selection is used as a feature selection whose purpose is to increase the accuracy value. Forward selection works by removing some attributes that are irrelevant to the classification process. In this research the result of accuracy of heart disease diagnosis with K-Nearest Neighbor algorithm is 73,44%, while result of K-Nearest Neighbor algorithm accuracy with feature selection method 78,66%. It is clear that the incorporation of the K-Nearest Neighbor algorithm with the forward selection method has improved the accuracy result. Keywords - K-Nearest Neighbor, Classification, Heart Disease, Forward Selection, Data Mining

Kekurangan atau kekosongan stok barang pada suatu toko/perusahaan akan berdampak sangat buruk untuk keberhasilan dan kelancaran transaksi jual beli, penyebab terjadinya kekosongan stok adalah tidak adanya informasi yang disampaikan dari perusahaan kepada supplier penyetok barang secara dini. Untuk mencegah hal tersebut maka dibutuhkan sebuah system yang dapat membantu supplier barang agar mengetahui secara dini tentang ketersediaan barang yang terdapat pada toko / perusahaan tertentu.Berdasarkan data transaksi penjualan maka system ini dibangun mnggunakan metode Assosiasi dengan algoritma apriori yang merupakan tehnik dalam data mining untuk menemukan aturan assosiatif kombinasi antara itemset. Perhitungan dilakukan dengan menentukan support dan confidance yang akan menghasilkan assosiasi rules, yang dapat digunakan untuk menentukan stok barang apa saja yang perlu diperbanyak oleh supplier guna meningkatkan keuntungan antara supplier dan perusahaan.

Rekomendasi penerima beasiswa Peningkatan Prestasi Akademik (PPA) dikelompokkan menjadi 2 cluster yaitu diterima dan tidak diterima untuk mendapatkan beasiswa. Algoritma K-Means merupakan teknik unsupervised learning yang dapat digunakan dalam mengelompokkan data pengajuan beasiswa. Tujuan dari penelitian ini adalah untuk merekomendasikan penerima beasiswa dengan menggunakan algoritma k-means, hasil rekomendasi berupa penempatan data pendaftar beasiswa ke masing-masing kelompok cluster yang dihasilkan. Eksperimen proses clustering dilakukan menggunakan data pendaftar beasiswa PPA dari biro kemahasiswaan udinus tahun 2016 sebanyak 441 pendaftar beasiswa PPA. Melalui seleksi atribut, k-means ini melakukan perhitungan untuk menempatkan setiap data ke cluster yang sudah ditentukan. Sebanyak 154 mahasiswa direkomendasikan mendapatkan beasiswa PPA sedangkan 287 mahasiswa tidak mendapatkan.Â

No abstract

Analisis keranjang pasar merupakan study tentang proses analisis untuk mencari sebuah aturan asosiasi dalam mencermati pola-pola pembelian konsumen pada setiap transaksi penjualan, pola-pola pembelian yang sudah di dapat dari pencarian dataset kemudian dapat digunakan untuk merencakan strategi penjualan seperti harga diskon jika membeli barang A dan B atau menunjukan tata letak pada barang yang ditemukan pada proses pencarian pola asosiasi yang menghasilkan aturan asosiasi, pola asosiasi sendiri memiliki beberapa metode untuk mencari aturan asosiasi dan yang sering dipakai dalam pencarian aturan asosiasi adalah Apriori dan FP-Growth dimana kedua metode ini menghasilkan aturan asosiasi dengan tingkat lift ratio yang tinggi dimana jika lift ratio bernilai >1 sudah dinyatakan valid sehingga semakin besar tingkat lift ratio pada aturan asosiasi yang ditemukan maka akan semakin kuat aturan asosiasi tersebut, pada penelitian ini penulis melakukan pencarian aturan asosiasi pada data penjualan epo store pada bulan November, Desember 2017 dan Januari 2018, dengan menggunakan dua metode pencarian asosiasi yaitu apriori dan FP-Growth untuk membandingkan metode mana yang lebih baik dalam pencarian aturan asosiasi serta untuk melakukan perencanaan penjualan berupa  tata letak dari metode yang memiliki tingkat lift ratio tertinggi.