IMPLEMENTASI DATA MINING DALAM PENCARIAN DAERAH STRATEGIS UNTUK PENGENALAN SEKOLAH SWASTA DENGAN METODE FP-GROWTH

  • M Afdal Program Studi Sistem Informasi Fakultas Sains dan Teknologi UIN Suska Riau

Abstract

Sekolah Menengah Kejuruan (SMK) adalah salah satu institusi pendidikan resmi yang disahkan oleh pemerintah. Berdasarkan data pokok Sekolah Menengah Kejuruan untuk dinas pendidikan Kota Pekanbaru tahun 2016 terdapat sebanyak 60 Sekolah yang terdiri dari 7 SMK Negeri dan 53 SMK Swasta. Persaingan di dalam dunia bisnis, khususnya dalam bidang pendidikan pada SMK membuat pihak sekolah harus mencari pola sasaran daerah yang strategis dalam pengenalan sekolah. Dengan semakin banyaknya SMK Swasta di Kota Pekanbaru, membuat setiap sekolah berusaha mencari calon siswa baru kedaerah-daerah yang potensial. Salah satu cara yang dapat dilakukan untuk penentuan daerah strategis adalah dengan memanfaatkan teknik Data Mining. Dari data-data siswa yang ada disekolah dapat diolah mengunakan algoritma FP-Growth sehingga menghasilkan Frequent Itemset  yang menjadi informasi baru untuk  dimanfaatkan oleh sekolah dalam menentukan daerah yang strategis. Dalam penelitian ini yang menggunakan data siswa kelas X dengan  nilai minimum support = 0.04 dan nilai minimum confidence = 0.68 dinyatakan bahwa siswa yang berasal dari kecamatan Payung Sekaki adalah daerah yang paling strategis dalam pengenalan sekolah dengan tingkat kepercayaan 100% dan didukung oleh 4.7% dari data keseluruhan dengan nilai lift ratio 1.472.

 

Kata Kunci: Association Rule, Data Mining, FP-Growth, Frequent Itemset

Downloads

Download data is not yet available.

Author Biography

M Afdal, Program Studi Sistem Informasi Fakultas Sains dan Teknologi UIN Suska Riau

 Program Studi Sistem Informasi Fakultas Sains dan Teknologi UIN Suska Riau

References

Anis Kurniawati.,(2014).“Pemetaan Pola Hubungan Program Studi Dengan Algoritma Apriori – Studi Kasus Spmu Unnes.” Edu Komputika Journal. 1 (1). 51-58.

Benni R Siburian.,(2014).“Aplikasi Data Mining Untuk Menampilkan Tingkat Kelulusan Mahasiswa Dengan Algoritma Apriori.” Pelita Informatika Budi Darma. VII (2). 56-61.

D. Magdalene Delighta Angeline.,(2013). “Association Rule Generation For Student Performance Analysis Using Apriori Algorithm”. The SIJ Transactions on Computer Science Engineering & its Applications (CSEA). 1 (1). 12-16.

Goldie Gunadi., dan Dana Indra Sensuse.,(2012).“ Penerapan Metode Data Mining Market Basket Analysis Terhadap Data Penjualan Produk Buku Dengan Menggunakan Algoritma Apriori Dan Frequent Pattern Growth (Fp-Growth) : Studi Kasus Percetakan PT. Gramedia.” Jurnal TELEMATIKA MKOM. 1 (1). 118 132.

Jagmeet Kaur,. and Neena Madan,.(2015).”Association Rule Mining: A Survey.” International Journal of Hybrid Information Technology. 8 (7). 239-242.

N Punitha., and R.Amsaveni.,(2011). “Methods and Techniques to Protect the Privacy Information in Privacy Preservation Data Mining.” Int. J. Comp. Tech. Appl.2 (6). 2091-2097.

Rama Novta Rinaldi., Antonius Rachmat., dan Budi Santoso.,(2014). “lmplementasi Algoritma FP-GROWTH untuk Sistem Rekomendasi Buku di Perpustakaan UKDW.” Jurnal INFORMATIKA . 10 (1). 29-39.

Ririanti.,(2014).”Implementasi Algoritma Fp-Growth Pada Aplikasi Prediksi Persediaan Sepeda Motor (Studi Kasus Pt. Pilar Deli Labumas). “ Pelita Informatika Budi Darma. VI (1). 139-144.

Yaohui Zeng., Zijun Zhang., and Andrew Kusiak.,(2015).”Predictive modeling and optimization of a multi-zone HVAC system with data mining and firefly algorithms.” Journal Elsevier Energy (86). 393-402.

Published
2018-10-12
Section
Volume 3 Nomor 2 Oktober 2018
Abstract viewed = 2077 times