Implementasi Data Mining Menggunakan Algoritma Apriori Untuk Analisis Keranjang Belanja Pada Transaksi Penjualan Pada PT Madu Kembang Joyo

Abstrak - Pesatnya peningkatan jasa internet saat ini, ada banyak informasi yang dihasilkan dalam jumlah besar secara terus menerus dalam waktu yang singkat. Akhir-akhir ini, analisis sentimen dengan menggunakan ulasan dan pesan telah menjadi topik penelitian yang populer dibicarakan di bidang Natural Language Processing. Selama bertahun-tahun, permainan online telah menjadi suatu aktivitas yang tidak bisa dipisahkan dari sebagian besar orang. Apex Legends adalah salah satu contoh game yang sangat popular di seluruh dunia. Untuk mendapatkan informasi bagaimana pendapat para pemain tentang permainan ini diperlukan analisis sentimen. Pada penelitian ini dilakukan analisis sentimen menggunakan bantuan aplikasi Orange Data Mining dengan metode VADER pada akun twitter Apex Legends menggunakan data sebanyak 500 tweet. Pengujian data dilakukan dengan membandingkan hasil yang didapat menggunakan metode VADER dengan hasil pengujian pakar, yaitu native speaker dari Canada dan Amerika. VADER mengklasifikasikan data yang didapatkan melalui twitter berdasarkan nilai compound yang didapat. Penelitian ini menghasilkan kesimpulan yaitu perbandingan dari pengujian menggunakan VADER dan pengujian pakar tidak berbeda jauh, yang mana total persentase dari penggunaan metode VADER untuk menganalisis sentiment dari twitter ini adalah : Positif = 18%, Negatif = 4,6%, Netral = 73,6%. Sedangkan hasil pengujian pakar adalah : Positif = 27%, Negatif = 10,8%, Netral = 62,2%.Kata kunci: VADER, Apex Legends, Game, Twitter, Uji Pakar Abstract - With the rapid increase in internet services today, there is a lot of information produced in large quantities continuously in a short time. Recently, sentiment analysis using reviews and messages has become a popular research topic discussed in the Natural Language Processing field. Over the years, online gaming has become an activity that cannot be separated from most of the people. Apex Legends is one example of a game that is very popular around the world. To get information on how the players think about the game, sentiment analysis is needed. In this study, sentiment analysis was carried out using the Orange Data Mining application with the VADER method on the Apex Legends twitter account using 500 tweets (data). Data testing is done by comparing the results obtained using the VADER method with the results of expert testing, native speaker from Canada and America. VADER classifies the data obtained through twitter based on the compound value obtained. This study concludes that the comparison of testing using VADER and expert testing is not much different, where the total percentage of using the VADER method to analyze sentiment from Twitter is : Positive = 18%, Negative = 4,6%, Neutral = 73,6%. While the results of expert testing is : Positive = 27%, Negative = 10,8%, Neutral = 62,2%.Keywords : VADER, Apex Legends, Game, Twitter, Expert Test (Uji Pakar)

Section: Text Miningunclassified

Analisis Sentimen Akun Twitter Apex Legends Menggunakan VADER

Abimanyu¹,

Budianita²,

Cynthia³

et al. 2022

“…Data mining adalah serangkaian proses untuk menggali nilai tambah dari suatu kumpulan data berupa pengetahuan yang selama ini tidak diketahui secara manual dari suatu sekumpulan data [7]. Sebagai suatu rangkaian proses, data mining dapat dibagi menjadi beberapa tahap proses [15]. Tahap-tahap proses tersebut bersifat interaktif pemakai terlibat langsung atau dengan perantaraan knowledge base antara lain data cleaning, data integration, data selection, data transformation, data process dan pattern evaluation [16].…”

Section: Tinjauan Pustaka 21 Data Miningunclassified

Analisis Pola Pembelian Konsumen Menggunakan Algoritma Apriori Pada Data Transaksi Penjualan Apotek & Alkes 58

Romdani

A.R

2022

Abstrak - Apotek Alkes 58 merupakan salah satu usaha yang bergerak dalam bidang pelayanan kesehatan khususnya dalam penjualan obat dan alat kesehatan. Untuk meningkatkan kualitas pelayanan terhadap konsumen, perusahaan dituntut untuk dapat mengatasi permasalahan yang seringkali muncul diantaranya, seringnya kekosongan obat atau alat kesehatan tertentu yang dibutuhkan konsumen tentunya hal tersebut dapat menyebabkan hilangnya perusahaan dalam mendapatkan keuntungan. Selain itu, ada banyak obat yang memiliki stok berlebih yang justru kurang dibutuhkan oleh konsumen, dan hal tersebut dapat menyebabkan obat menjadi kedaluwarsa nantinya. Permasalahan tersebut disebabkan karena pola pembelian konsumen yang selalu berubah-ubah dan tidak dapat diprediksi. Oleh karena itu, dalam upaya mengatasi permasalahan yang terjadi, penelitian ini dibuat dengan tujuan untuk menganalisis pola pembelian konsumen pada Apotek Alkes 58 dengan menerapkan algoritma apriori sehingga dapat diketahui pola pembelian konsumen dan diharapkan dapat meningkatkan penjualan pada apotek tersebut. Dalam penelitian ini menggunakan software Tanagra 1.4.50 dengan meneliti data transaksi penjualan selama 6 bulan. Data mining merupakan penggabungan teknik analisis data, sementara algoritma apriori merupakan metode yang paling sering digunakan karena sangat sederhana, mudah dan paling banyak diusulkan oleh beberapa peneliti. Pada penelitian ini, menggunakan nilai minimal support (penunjang) sebesar 30% dan nilai minimal confidence (kepastian) sebesar 70%. Hasil penelitian yang didapatkan, bahwa produk yang paling sering dibeli oleh konsumen adalah Amoxicillin 500, Paracetamol, Amlodipin 10Mg dan Dexaharsen 0.5Mg.Kata kunci: Data Mining, Algoritma Apriori, Pembelian, Tanagra Abtract - Apotek Alkes 58 is a business that is engaged in the field of health services, especially in the sale of drugs and medical. To improve the quality of service to consumers, companies are required to be able to overcome problems that often arise, including the frequent vacancies of certain medicines or medical devices needed by consumers, of course this can cause the company to lose profits. In addition, there are many drugs that have excess stock that consumers don't really need, and this can cause the drug to expire later. This problem is caused by consumer buying patterns that are always changing and unpredictable. Therefore, in an effort to overcome the problems that occur, this study was made with the aim of analyzing consumer buying patterns at Apotek Alkes 58 by applying an a priori algorithm so that consumer buying patterns can be known and is expected to increase sales at these pharmacies. In this study using software Tanagra 1.4.50 by examining sales transaction data for 6 months. Data mining is a combination of data analysis techniques, while the a priori algorithm is the method most often used because it is very simple, easy and the most widely proposed by several researchers. In this study, using a minimum support value is 30% and a minimum confidence value is 70%. The results obtained, that the products most frequently purchased by consumers are Amoxicillin 500, Paracetamol, Amlodipine 10Mg and Dexaharsen 0.5Mg.Keywords: Data Mining, A priori Algorithm, Purchasing, Tanagra

“…Untuk itu diperlukan suatu cara pengelompokan data keluarga miskin yang lebih efisien agar pemerataan bantuan lebih tepat sasaran. Pengelompokan ini dapat diselesaikan dengan menggunakan salah satu metode dalam data mining, yaitu metode clustering [7]. Dengan metode clustering pengelompokkan data dapat dilakukan dengan lebih akurat sesuai dengan tingkat kemiripan dari karakteristik datanya [8].…”

Section: Pendahuluanunclassified

Analisis Clustering Penduduk Miskin Di Provinsi Aceh Menggunakan Algoritma K-Means Dan X-Means

Bustami

Mahara

Ahmadian

et al. 2022

Abstrak-Analisis Clustering merupakan salah satu metode yang bertujuan untuk mengelompokan data/objek berdasarkan kemiripan dan ketidakmiripan karakteristiknya. Sehingga objek yang berada pada satu cluster memiliki kemiripan yang besar dan sangat kecil bila dibandingkan dengan cluster lain. Algoritma K-means merupakan salah satu metode pengelompokan non hierarki yang paling umum digunakan, namun pada algoritma ini pengguna harus mengetahui jumlah kelompok yang akan dikelompokan. Sedangkan algoritma X-means merupakan pengembangan dari algoritma K-means, dimana algoritma ini mampu mengelompokan datanya sendiri tanpa menginput jumlah k. Algoritma X-means akan berhenti melakukan pengelompokan hingga batas cluster maksimal tercapai. Algoritma X-means juga tau kapan dan dimana centroid baru harus muncul berdasarkan perhitungan nilai Bayesian Information Criterion (BIC). Penelitian ini bertujuan untuk membandingkan hasil analisis clusteringK-means dengan X-means menggunakan data penduduk miskin provinsi Aceh tahun 2018 dan data Iris. Hasil pengujian clustering dengan data Iris memiliki tingkat kemurnian dan hasil pengelompokan yang baik dari masing-masing algoritma. Yaitu nilai purity pada K-means sebanyak 0.89 dan pada X-means 0.88 dengan nilai Davies Bouldin Index (DBI) masing-masing 0.16. Dan hasil pengujian clustering dengan data penduduk miskin menunjukkan bahwa pada algoritma K-means didapatkan tingkatan kemiskinan dengan kategori Sangat Miskin berada pada cluster nol, kategori Miskin pada cluster dua, kateogori Rentan Miskin berada pada cluster tiga dan kategori Tidak Miskin berada pada cluster satu. Dan pada algoritma X-means diperoleh tingkatan kemiskinan dengan kategori Sangat Miskin berada pada cluster satu, kategori Miskin pada cluster tiga, kategori Rentan Miskin berada pada cluster dua dan kategori Tidak Miskin berada pada cluster nol. Berdasarkan Waktu yang dibutuhkan selama proses clustering algoritma X-means memiliki kecepatan yang lebih baik yaitu 0.06second. Sedangkan K-means membutuhkan waktu selama 0.22 second. Sehingga dapat disimpulkan bahwa algoritma X-means lebih cepat dalam melakukan pengelompokan dibandingkan algoritma K-means. Kata Kunci : Penduduk Miskin, K-means, X-means, Purity, Davies Bouldin Index (DBI)