Abstract:Penentuan tata letak barang yang optimal di sebuah toko memiliki peran penting dalam meningkatkan efisiensi operasional dan pengalaman pelanggan. Dalam penelitian ini, diusulkan penerapan algoritma FP-Growth untuk menganalisis…
alisis pola asosiasi dari data transaksi penjualan guna mengoptimalkan tata letak barang. Algoritma FP-Growth dipilih karena kemampuannya dalam menemukan asosiasi frekuensi tinggi antar produk tanpa harus melalui tahap pencarian kandidat yang memerlukan waktu komputasi besar. Dengan menganalisis hubungan antar produk yang sering dibeli bersamaan, hasil penelitian ini memberikan rekomendasi penempatan produk yang strategis untuk memaksimalkan peluang pembelian dan meningkatkan kepuasan pelanggan. Studi kasus dilakukan pada data transaksi sebuah toko ritel yang diperoleh di situs penyedia dataset Kaggle, dengan hasil menunjukkan peningkatan efisiensi dalam pengaturan tata letak barang serta potensi peningkatan penjualan. Implementasi FP-Growth terbukti efektif dalam mengurangi waktu analisis dan memberikan hasil yang akurat dalam menentukan hubungan antar produk. Penelitian ini diharapkan dapat menjadi acuan bagi pengelola toko ritel dalam mengoptimalkan tata letak barang secara lebih ilmiah dan data-driven.
Abstract:Dalam pemberian komisi pada CV. Sempurna Tetap Makmur terdapat beberapa kriteria yang menjadi penilaian. Dalam mengambil keputusan terhadap penentuan komisi pada CV. Sempurna Tetap Makmur sudah menerapkan sistem terkomputerisasi…
terisasi dengan menggunakan Microsoft Excel dan untuk pengembangan aplikasi penentuan komisi maka CV. Sempurna Tetap Makmur memanfaatkan sistem aplikasi dengan menggunakan suatu metode algoritma yaitu metode Multi-Attribute Utility Theory (MAUT).
Abstract:Data mining merupakan proses penting dalam mengungkap informasi tersembunyi dari data yang besar dan kompleks, khususnya dalam industri ritel untuk memahami perilaku konsumen. Penelitian bertujuan untuk mengidentifikasi…
pola pembelian sembako dan kebutuhan harian dengan menggunakan algoritma FP-Growth pada dataset sintetis. Algoritma FP-Growth dipilih karena kelebihannya dalam efisiensi dan kecepatan, terutama dalam menemukan frequent itemsets tanpa perlu melakukan pengulangan pada dataset. Hal ini membuat algoritma FP-Growth lebih unggul dibandingkan dengan algoritma lainnya, seperti Apriori, yang memerlukan banyak iterasi. Dataset sintetis yang digunakan mencerminkan transaksi pembelian di toko ritel untuk menguji kemampuan algoritma dalam menemukan pola pembelian yang relevan. Hasil menunjukkan bahwa algoritma FP-Growth dapat secara efektif mengidentifikasi kombinasi barang yang sering dibeli bersama, yang dapat dimanfaatkan oleh pelaku bisnis untuk menyusun strategi penjualan, seperti penawaran paket hemat. Implementasi algoritma ini diharapkan dapat membantu toko ritel dalam memahami kebutuhan konsumen dan meningkatkan strategi pemasaran
Abstract:Kemiskinan merupakan salah satu masalah sosial yang terus menjadi tantangan bagi pemerintah di berbagai negara, termasuk Indonesia. Dalam upaya mengidentifikasi faktor-faktor yang memengaruhi tingkat kemiskinan, analisis…
data yang tepat diperlukan untuk mendukung pengambilan kebijakan yang efektif. Penelitian ini bertujuan untuk mengklasifikasikan tingkat kemiskinan di Indonesia dengan menggunakan algoritma Decision Tree, salah satu metode pembelajaran mesin yang populer. Data yang digunakan dalam penelitian ini mencakup indikator ekonomi, demografi, dan sosial yang relevan dengan kemiskinan di Indonesia. Dengan menggunakan algoritma Decision Tree, kami dapat mengidentifikasi variabel-variabel kunci yang berperan dalam klasifikasi tingkat kemiskinan serta membangun model prediksi yang dapat membantu dalam pengambilan keputusan. Hasil penelitian menunjukkan bahwa algoritma Decision Tree memiliki kinerja yang baik dalam mengklasifikasikan data kemiskinan dan memberikan wawasan mendalam tentang faktor-faktor yang memengaruhi kemiskinan di Indonesia. Temuan ini diharapkan dapat berkontribusi dalam upaya penanggulangan kemiskinan melalui pendekatan berbasis data.
Abstract:Prediksi dengan model sistem pendukung keputusan merupakan cara yang tepat sasaran untuk digunakan dalam memecahkan masalah. Demam Berdarah Dengue (DBD) adalah penyakit endemik di Indonesia yang memerlukan penanganan cepat…
at untuk mencegah komplikasi lebih lanjut. Prediksi diagnosis DBD dengan menggunakan algoritma Decision Tree C4.5 memiliki tingkat akurasi 100% dan meyakinkan. Dataset yang digunakan mencakup data medis pasien, seperti gejala klinis yaitu demam, nyeri sendi, mual, hasil laboratorium berupa trombosit, hematokrit, uji NS1, serta riwayat komorbiditas dan durasi gejala. Proses pre-processing dilakukan untuk memastikan data siap digunakan, dengan menangani data yang hilang dan menyesuaikan format data agar konsisten. Model Decision Tree C4.5 dipilih karena kemampuannya mengolah data dengan berbagai format dan hasilnya dapat dengan mudah dipahami. Model C4.5 dievaluasi menggunakan metrik akurasi, presisi, sensitivitas, dan spesifisitas. Dengan performa yang baik, model ini memiliki potensi untuk digunakan dalam sistem pendukung keputusan medis. Implementasinya di lapangan dapat membantu tenaga medis dalam mempercepat diagnosis dan memberikan penanganan yang lebih tepat waktu, yang sangat penting dalam menangani pasien DBD.
Abstract:SD Negeri 071028 Luzamanu merupakan instasi pendidikan yang begerak dibidang pendidikan yang berupaya menciptakan kemampuan, keterampilan dan keahlian belajar para siswa dan siswinya. Tujuan penelitian ini adalah untuk mengidentifikasi…
engidentifikasi faktor-faktor yang mempengaruhi prestasi siswa di SD Negeri 071028 Luzamanu dan mengembangkan model prediksi menggunakan algoritma C4.5. Penelitian ini juga bertujuan untuk mengevaluasi akurasi model prediksi tersebut dalam memprediksi prestasi akademik siswa. Algoritma C4.5 merupakan suatu model prediksi yang menggunakan struktur pohon keputusan. Data dalam pohon keputusan biasanya dinyatakan dalam bentuk tabel dengan data record. Secara umum, algoritma C4.5 untuk membangun pohon keputusan dimulai dari pemilihan atribut sebagai akar, membuat cabang untuk tiap tiap nilai, membagi kasus dalam cabang. Dan mengulangi proses untuk setiap cabang sampai semua kasus pada cabang memiliki kelas yang sama. Dapat diketahui bahwa atribut dengan Gain tertinggi adalah Nilai Sikap dengan nilai 0,433593, sehingga atribut Nilai Sikap dapat menjadi Node Akar berikutnya. Penelitian ini menggunakan sistem algoritma c4.5 dapat membantu pihak sekolah untuk memprediksi prestasi siswa pada sekolah UPT SD Negeri 071028 Luzamanu. Model prediksi yang dikembangkan menggunakan algoritma C4.5 menunjukkan akurasi yang tinggi dalam memprediksi prestasi akademik siswa berdasarkan data yang tersedia.
Abstract:Beberapa dekade terakhir, laptop menjadi kebutuhan dasar bagi masyarakat untuk berbagai aktivitas sehari-hari, mulai dari belajar, mengajar, bekerja, hingga berbelanja. Hal ini mendorong permintaan laptop meningkat. untuk…
k menganalisis faktor-faktor yang memengaruhi harga laptop dengan menggunakan algoritma Decision Tree, memberikan informasi kepada calon pembeli dalam memilih laptop sesuai anggaran dan kriteria yang diinginkan, serta memberi wawasan kepada produsen terkait strategi penetapan harga. Metode yang digunakan adalah algoritma C4.5, salah satu metode Decision Tree yang memanfaatkan struktur pohon untuk klasifikasi, serta untuk data berukuran besar dengan banyak variabel, serta mampu menganalisis berbagai jenis data,. Hasil penelitian menunjukkan bahwa model pohon keputusan yang dihasilkan memiliki beberapa tingkat kedalaman, dengan variabel yang memengaruhi harga laptop seperti prosesor, tipe penyimpanan, dan RAM, di mana prosesor menjadi faktor yang paling berpengaruh Dengan gain sebesar 0,4983. Model ini mencapai akurasi sebesar 87.63%, Dengan mempertimbang segmen pasar, pengguna dan kualitas produk.
Abstract:Koperasi Simpan Pinjam Serdang Indah Mandiri Kisaran adalah salah satu koperasi unit simpan pinjam di wilayah Kecamatan Kisaran Barat Kabupaten Asahan Provinsi Sumatera Utara. Permasalahan yang sering terjadi pada Koperasi…
si Simpan Pinjam Serdang Indah Mandiri Kisaran adalah kredit macet. Kredit Macet mengakibatkan kerugian bagi perusahaan dan pemotongan gaji karyawan. Keputusan pemberian kredit pada pelanggan yang tidak tepat dapat berpotensi meningkatkan tingkat kredit macet. Prediksi kredit macet kepada calon nasabah dapat menurunkan resiko kerugian koperasi karena kredit macet. Berdasarkan hal tersebut maka perlu dilakukan uji coba prediksi potensi nasabah kredit macet berdasarkan riwayat data kredit sebelumnya. Salah satu metode prediksi yang dapat digunakan untuk Data Mining adalah dengan decision tree menggunakan algoritma C4.5. Menerapkan algoritma C4.5 dapat membantu pihak koperasi dalam pengambilan keputusan pemberian kredit karena mampu memprediksi nasabah lancar dan macet.
Abstract:Perkembangan teknologi informasi mendorong pemanfaatan machine learning dalam analisis data penjualan untuk mendukung pengambilan keputusan bisnis. Minimarket Mardi memiliki beragam produk dengan pola pembelian yang bervariasi,…
ariasi, sehingga diperlukan metode analisis yang mampu mengelompokkan data penjualan secara lebih terstruktur. Penelitian ini menerapkan algoritma K-Means Clustering untuk melakukan segmentasi penjualan berdasarkan atribut tertentu, seperti kategori produk, jumlah penjualan, serta frekuensi transaksi. Tahapan penelitian meliputi pengumpulan data, pra-pemrosesan, penentuan jumlah klaster optimal dengan metode Elbow, serta implementasi algoritma K-Means. Hasil analisis menunjukkan terbentuknya beberapa klaster yang merepresentasikan pola penjualan produk di Minimarket Mardi, mulai dari produk dengan tingkat penjualan tinggi, sedang, hingga rendah. Segmentasi ini dapat membantu manajemen minimarket dalam merancang strategi pemasaran yang lebih tepat sasaran, pengelolaan stok yang lebih efisien, serta peningkatan pelayanan kepada konsumen. Dengan demikian, penerapan K-Means Clustering terbukti efektif dalam mendukung pengambilan keputusan berbasis data di sektor ritel.
Abstract:Peningkatan volume data dalam sistem informasi modern menuntut proses pencarian yang cepat dan efisien. Linear search sebagai metode konvensional tidak lagi relevan untuk skala data besar karena memiliki kompleksitas waktu…
tu O(n). Penelitian ini mengangkat permasalahan rendahnya efisiensi pencarian pada array terurut dengan tujuan mengoptimalkan algoritma binary search. Solusi yang diusulkan adalah membandingkan dua pendekatan implementasi binary search, yaitu iteratif dan rekursif, pada lima skala dataset berbeda. Pengujian dilakukan untuk mengevaluasi waktu eksekusi dan penggunaan memori dari masing-masing pendekatan. Hasil menunjukkan bahwa metode iteratif memiliki performa lebih baik dibandingkan rekursif, khususnya pada dataset besar. Secara kuantitatif, waktu pencarian dengan binary search iteratif mencapai efisiensi hingga lebih dari 90% dibandingkan linear search pada dataset berisi 10.000 elemen atau lebih. Temuan ini menunjukkan bahwa algoritma binary search, jika diimplementasikan dengan tepat, merupakan solusi optimal untuk kebutuhan pencarian data dalam array terurut. Penelitian ini memberikan kontribusi terhadap pengembangan sistem informasi yang lebih cepat dan hemat sumber daya.