< prev

Page 1Page 2Page 3Page 4Page 5Page 6Page 7Page 8Page 9Page 10Page 11Page 12

Page 9 of 12
next >

Majalah Ilmiah UNIKOM

Vol.15 No. 2

197

H a l a m a n

6. Ekstrak Aturan tren

Algoritma FPTree digunakan untuk

menemukan frequent pattern. Setelah

menghasilkan kombinasi frequent pattern

dari itemset, kombinasi tersebut dianggap

sebagai aturan tren.

HASIL PENELITIAN

Data yang digunakan terdiri dari tiga data, 2

data berasal dari e-commerce yaitu data

transaksi penjualan dan data ulasan kon-

sumen, 1 data berikutnya yaitu data curah

hujan. Data yang digunakan pada penelitian

merupakan data riil.

Data curah hujan yang digunakan berasal

dari Fakultas Ilmu dan Teknologi Kebumian-

Meteorologi ITB untuk daerah Kota Ban-

dung. Data curah hujan yang digunakan

merupakan data curah hujan harian selama

satu tahun. Data curah hujan terdiri dari

atribut intesitas curah hujan dan atribut

tanggal. Preprocesing data dengan

melakukan perubahan format data curah

hujan dari format numerik ke dalam bentuk

kategorikal, perubahan dilakukan untuk

atribut intesitas curah hujan. Perubahan

format data dilakukan untuk mempermudah

proses analisis data. Ketentuan kategorikal

ada di Tabel III.1 yang terdapat pada Sub-

bab III.2.1.

Data transaksi penjualan berasal dari

transaksi e-commerce selama satu tahun.

Dilakukan identifikasi struktur produk. Data

transaksi penjualan yang digunakan mem-

iliki struktur terlihat pada table.

Tabel 7. Skema Data Transaksi Penjualan

Data berikutnya yang digunakan pada

penelitian ini yaitu data ulasan konsumen.

Data ulasan konsumen diperoleh dari e-

commerce yang sama dengan data

transaksi penjualan.

Pada bab sebelumnya telah menjelaskan

mengenai permasalahan dan usulan

metode sebagai solusi dari permasalahan.

Implementasi sebagai bentuk pembuktikan

dari metode yang diusulkan dengan spesifi-

kasi kebutuhan sebagai berikut :

 Windows Operating system : Windows 8

64-bit

 Bahasa pemograman PHP

 Perangkat lunak : Xammp v3.2.1, Note-

pad++, Macromedia Dream Weaver,

MySQL.

Hasil untuk frequent pattern mining yang

telah memenuhi minimum support diproses

untuk mendapatkan association rule. Hasil

dari association rule mining dapat

digunakan untuk mengetahui pola asosiasi

antara items. Berikut adalah association

rule yang didapat:

Tabel 8. Hasil Frequent Pattern

Apriani Puti Purfini

Level Pengelompokan

Σ

X:

-

-

Parent

11

257

Sub Parent1

74

38

Sub Parent2

236

12

Child

1430

1,9

Keterangan (X,Y=>Z)

Frekuensi

Positif Tidak Hujan=>Turun

283

Positif Sangat Rin-

gan=>Turun

131

Positif Ringan=>Turun

119

Positif Sedang/

Normal=>Turun

69

Positif Tidak Hujan=>Naik

51

Positif Sangat Rin-

gan=>Naik

46