Pemanfaatan teknik data mining saat ini dapat membantu para pemilik bisnis untukmeningkatkan penjualan produk mereka. Salah satu teknik yang sangat dikenaladalah analisis asosiasi. Analisis asosiasi bertujuan untuk menemukan hubunganantara barang-barang yang dibeli oleh pelanggan. Analisis asosiasi semacam ini biasadikenal sebagai market basket analysis. Market basket analysis menggunakan datapelanggan yang selama ini disimpan didalam basis untuk menemukan informasi barudidalamnya. Algoritma Apriori merupakan algoritma untuk melakukan market basketanalisis, yang bertujuan untuk menemukan barang yang paling sering dibeli.Algoritma Apriori ini menghasilkan sebuah aturan asosiasi yang bermanfaat bagipelaku bisnis. Untuk memilih aturan asosasi yang paling kuat diperlukan perhitunganlift ratio. Dengan menghitung lift ratio dari setiap aturan asosiasi, dapat diketahuiaturan asosiasi yang valid dan paling kuat. Dengan melakukan analisis asosiasi,dapat diketahui bahwa data pelanggan dapat dimanfaatkan sebagai masukan kepadapemilik bisnis untuk menentukan strategi penjualan bagi bisnis mereka.

AbstrakProses perhitungan jumlah kendaraan yang masih dilakukan secara manual dan membutuhkan banyak operator dalam pendataan. Berdasarkan hal itu, diperlukan sistem yang mampu mendeteksi dan mengklasifikasi kendaraan yang melintas di jalan raya secara otomatis. Dalam mengidentifikasi citra kendaraan, sistem menggunakan algoritma SIFT. Hasil fitur akan dibandingkan dengan metode K-Nearest Neighbor (KNN). Sistem dibangun untuk mendeteksi jenis kendaraan berat dengan mengukur tingkat akurasi keberhasilan berdasarkan nilai pencahayaan, jumlah objek, perubahan rotasi, serta pada kondisi siang dan malam hari. Dataset yang digunakan berjumlah 100 citra kendaraan berat. Kinerja sistem pada kondisi siang hari mendapat nilai presisi rata-rata 100%, nilai recall 54%, dan nilai akurasi 78%. Hasil pengukuran presisi dan recall, diperoleh nilai f-measure sebesar 67 %.Kata kunci: SIFT, kendaraan berat, K-Nearest NeighbourAbstractThe process of collecting vehicles still done manually and requires a lot of human resources. Therefore, we need a system that can detect and classify vehicles passing on the highway automatically. SIFT is an algorithm for identification of an image. The features will be compared using the K-Nearest Neighbor (KNN) method. In this study,  system will be designed to detect the type of heavy vehicle using the SIFT method to measure the accuracy of success based on the value of lighting, number of objects, changes in rotation, and day night conditions. Dataset used was 100 heavy vehicle images. The system performance during daytime conditions gets an average precision value of 100%, a recall value of 54%, and an accuracy value of 78%. From the results of precision and recall, the f-measure value is 67 %.Keywords: SIFT, heavy vehicles, K-Nearest Neighbour

Organizations currently need to conduct an analysis of their business processes in order to improve business performance and productivity. In addition, this analysis can be a way to compete with competitors. However, the analysis of this business process if done manually requires considerable time. Process mining is a technique that helps solve this problem. Information systems that are owned by a company certainly store their every business activity. This data can be processed to find business processes that occur. This data is usually called an event log. Event logs help organizations to find gaps between business processes that occur with those expected. Based on this gap business processes can later be evaluated for later improvement.

Keamanan data karyawan pada sistem informasi memiliki beberapa risiko yang bisa terjadi yang tentunya dapat menyebabkan kerugian di dalam perusahaan. Risiko dapat berupa kejadian dan kondisi yang dapat mengganggu layanan dan menghambat proses pengambilan keputusan. Tujuan penelitian ini adalah untuk mendeskripsikan pelaksanaan manajemen risiko keamanan data karyawan di perusahaan PT. ABC dengan menggunakan kerangka kerja (framework) NIST SP 800-30 dan untuk mengetahui risiko yang timbul. Jika tidak ada manajemen risiko pada perusahaan maka perusahaan tidak akan tahu risiko apa saja yang terjadi dan dampak yang terjadi. Penelitian ini diawali dengan memetakan risiko, menilai risiko, memberikan rekomendasi sesuai dengan tingkat ancamannya. Hasil risiko keseluruhan terdiri dari ancaman alam, manusia dan kesalahan teknis didapatkan potensi risiko sebesar 14% untuk risiko rendah, 36% untuk risiko sedang, dan 50% untuk risiko tinggi        Adapun saran yang diberikan adalah: melakukan pemeliharaan sistem secara berkala, sistem perlu ditunjang oleh software & hardware yang memadai.

Di Indonesia, kasus kanker paling banyak adalah kanker payudara yaitu 58.256 kasus atau 16,7% dari total 348.809 kasus kanker. Dibutuhkan suatu sistem yang dapat membantu pakar untuk mendeteksi kanker payudara pada wanita dengan mengindentifikasi citra mammogram. Keabnormalan dapat dideteksi dari massa pada mammogram yaitu area dengan pola tekstur dan bentuk serta batas tertentu. Berdasarkan hal tersebut maka dibuat sebuah sistem yang dapat mendeteksi massa kanker pada citra mammogram menggunakan Segmentation-Based Fractal Texture Analysis (SFTA). Tahapan pertama akuisisi citra, dilanjut dengan segmentasi menggunakan k-means dan thresholding. Hasil dari segmentasi citra dilakukan tahapan morfologi menggunakan opening dan masking. Setelah itu dilakukan ekstraksi fitur SFTA, dan klasifikasi Support Vector Machine (SVM). Hasil pengujian penelitian ini didapatkan nilai akurasi sebesar 90%, presisi sebesar 87,75%, recall sebesar 93,33%dan f1-score 90,32% dengan nilai number of threshold (nt) SFTA adalah 3