Perpustakaan adalah salah satu sumber informasi dan tempat belajar. Setiap informasi peminjaman buku disimpan oleh perpustakaan sehingga menghasilkan data peminjaman buku dalam ukuran besar. Data yang besar jika tidak di manfaatkan akan membuat masalah dikemudian harinya. Penelitian ini bertujuan menentukan pola peminjaman buku berdasarkan buku-buku yang sering dipinjam secara bersamaan. Menghasilkan informasi rekomendasi buku dan mengetahui kinerja algoritma apriori dan eclat. Hasil penelitian ini menunjukkan pola yang dihasilkan antara algoritma apriori dan algoritmaeclat memiliki frequent item yang sama yaitu sebanyak 20dengan support 0,01%, Confidence 0.875, dan rekomendasi buku yang dihasilkan buku manajemen pemasaran:marketing management 9e jilid 1Performa algoritma ECLAT memiliki waktu eksekusi lebih cepat dibandingkan dengan algoritma Apriori. Algoritma Apriori membutuhkan waktu 31 ms dalam proses eksekusi sedangkan algoritma ECLAT membutuhkan waktu 15ms proses eksekusi.

Bantalan Gelinding memegang peranan penting dalam perputaran mesin. Kerusakan bantalan gelinding pada mesin industri dapat berakibat fatal dan mengakibatkan kerugian yang besar bagi perusahaan. Suatu mesin bisa menjadi sangat berbahaya jika kerusakan bantalan gelinding terjadi pada saat mesin sedang beroperasi. Oleh karena itu pendeteksian kerusakan bantalan gelinding penting dilakukan untuk menghindari kerusakan yang mengakibatkan kerusakan pada komponen mesin yang lain. Beberapa teknik telah diusulkan untuk pendeteksian kerusakan bantalan gelinding. Penelitian ini mendiagnosis dan mendeteksi kerusakan bantalan gelinding berdasarkan data getran motor yang diklasifikasikan berdasarkan kesamaan kelasnya. Metode klasifikasi yang digunakan adalah Radial Basis Function Neural Network (RBFNN). RBFNN mengklasifikasikan data getaran berdasarkan kesaamaan pola. Selain itu performa RBFNN lebih cepat jika dibandingkan dengan Back Propagation yang membutuhkan waktu lama. Lebih jauh lagi, RBFNN cocok digunakan untuk data-data dengan skala besar, dan Gaussian digunakan sebagai fungsi aktivasi dari RBFNN ini. Hasilnya tingkat kesalahan yang terjadi pada bantalan gelinding.

Memiliki guru, staf pengajar, yang profesional merupakan sebuah keharusan bagi sekolah baik SD, SMP maupun SMA/SMK dalam melaksanakan proses pendidikan yang bermutu, demikian halnya dengan SMPN 7 Tualang. Untuk itu, sekolah selalu mendorong peningkatan profesionalitas guru dan meningkatkan kualitas sistem manajemen tenaga kependidikan di SMPN 7 Tualang.Untuk mengetahui tingkat profesionalitas seorang guru, dilakukan penilaian terhadap kemampuan guru dalam melaksanakan proses pendidikan dan pengajaran.Penilaian dilakukan dengan mengukur kinerja masing-masing guru dalam melaksanakan tugas dan kewajibannya yang sesuai dengan standar kompetensi yang ada.Menurut undang–undang no.14 tahun 2005 tentang guru dan dosen (UUGD),kompetensi adalah seperangkat pengetahuan keterampilan dan perilaku yang harus dimiliki, dihayati, dan dikuasai oleh guru dalam melaksanakan tugas keprofesionalan.Kompetensi guru dapat dimaknai sebagai kebulatan pengetahuan, keterampilan dan sikap yang berwujud tindakan cerdas dan penuh tanggung jawab dalam melaksanakan tugas sebagai agen pembelajaran. Penentuan kriteria guru teladan di SMPN 7 Tualang masih menggunakan cara yang manual yakni dalam perhitungan kinerja guru masih menggunakan microsoft excel dimana data dikumpulkan melalui kuisioner kemudian diproses oleh bagian tata usaha. Di sini proses tersebut  masih belum efektif dan efesiennya  dalam megetahui kinerja guru. Berdasarkan hal tersebut maka dibutuhkan program aplikasi yang dapat menghitung dan mengetahui guru yang mempunyai kinerja baik untuk di pilih menjadi guru teladan. Dari uraian masalah di atas, maka perlu adanya sebuah aplikasi sistem penunjang keputusan yang dapat membantu proses pengambilan keputusan suatu masalah di SMPN 7 Tualangsehingga keputusan yang diberikan atau dihasilkan diharapkan dapat memenuhi batasan yang ditentukan.Metode yang digunakan  adalah metode Simple Additive Weighting (SAW) dan AHP. Metode SAWdipilih karena metode ini menentukan nilai bobot untuk setiap atribut, kemudian dilanjutkan dengan proses perankingan yang akan menyeleksi alternatif terbaik dari sejumlah alternatif yang ada. Dalam hal ini alternatif yang dimaksud adalah guru yang memiliki Penilaian Kinerja Guru (PKG) tertinggi berdasarkan kriteria dan bobot seperti: disiplin, tanggung jawab, kualitas kerja, dan kerja sama. Sedangkan Metode AHP sebagai keputusan pembanding karena dapat memperhitungkan validitas sampai dengan batas toleransi inkonsistensi berbagai kriteria dan alternatif yang dipilih oleh pengambil keputusan.Dengan metode perankingan tersebut, diharapkan penilaian akan lebih tepat karena didasarkan pada variabel yang sudah ditentukan,sehingga akan mendapatkan hasil yang akurat terhadap siapa yang akan terpilih menjadi guru teladan tersebut. Dari latar belakang di atas dapat diambil suatu kesimpulan bahwa dengan Sistem Pendukung Keputusan dengan menerapkan dua metode yatiuAHP dan SAW dapat mempermudah dalam pemilihan guru teladan dan penentuan keputusan.Berdasarkan latar belakang penulis dalam melakukan penelitian berjudul “Sistem Pendukung Keputusan Pemilihan Guru Teladan Di SMPN 7 Tualang Meggunakan Metode AHP Dan SAW”.   Kata kunci : SPK, Metode Ahp dan SAW, Pemilihan Guru , php dan MySQL

No abstract

Library is one place to get lots of information. Every transaction information recorded in a fairly large database, the large data if it can’t be used it will make the problem for the librarian. This research aims to determine the books that are often borrowed when borrowing, using the rules of the mining association using the ECLAT algorithm. Equivalence Class Transformation Algorithm (ECLAT) performs frequent itemset search from the bottom. This algorithm will only scan the data once, the scanning process will not be repeated to get frequent k-itemset. The database scan process in the ECLAT algorithm is not repeated because on the seacrh itemset not pay attention the sequence from the item. The result of this study indicate the performance of the ECLAT algorithm is good by requiring 15 ms in the execution process. 102 transaction data the same minimum support is 1%, resulting in 21 frequent itemset.