I Wayan Supriana
Program Studi Informatika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Udayana

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

Implementasi Algoritma Apriori sebagai Association Rule Learning untuk Mengidentifikasi Pola Item Dataset Penjualan I Wayan Supriana; Luh Arida Ayu Rahning Putri
Jurnal Buana Informatika Vol. 16 No. 01 (2025): Jurnal Buana Informatika, Volume 16, Nomor 01, April 2025
Publisher : Universitas Atma Jaya Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24002/jbi.v16i01.11384

Abstract

Persaingan toko retail semakin ketat, pemasaran dan penataan produk penting untuk efisiensi belanja, menjaga kenyamanan, dan meningkatkan profit. Analisis kebiasaan berbelanja konsumen terhadap barang pada setiap transaksi dengan melakukan market basket analysis. Algoritma Apriori merupakan salah satu teknik untuk menemukan frequent item dalam membangun association rule yaitu hubungan antara kombinasi item dalam suatu dataset. Penelitian ini bertujuan untuk implementasi algoritma Apriori sebagai association rule learning untuk mengidentifikasi pola item dataset penjualan pada toko retail. Association rule itemset dengan algoritma Apriori akan dibandingkan dengan Frequent Pattern Growth (FP-Growth) yang merupakan algoritma untuk menemukan himpunan data yang paling sering muncul pada dataset. Berdasarkan pengujian yang dilakukan rerata nilai lift ratio algoritma Apriori sebesar 1,58 dan rerata nilai lift ratio algoritma FP-Growth sebesar 1,28.  Hal ini menunjukkan bahwa algoritma Apriori memiliki kinerja lebih tinggi jika dibandingkan dengan algoritma FP-Growth. 
Inspired GWO-based Multilevel Thresholding for Color Images Segmentation via M. Masi Entropy I Made Satria Bimantara; I Wayan Supriana; I Komang Arya Ganda Wiguna; Ida Bagus Gede Sarasvananda
Jurnal Buana Informatika Vol. 16 No. 2 (2025): Jurnal Buana Informatika, Volume 16, Nomor 02, Oktober 2025
Publisher : Universitas Atma Jaya Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24002/jbi.v16i2.12463

Abstract

Image segmentation is crucial in image processing and computer vision, with multilevel thresholding (ML-ISP) offering robust solutions for complex images. However, effectively applying ML-ISP to RGB color images remains a challenge due to computational complexity and the limitations of traditional optimization algorithms, such as the Grey Wolf Optimizer (GWO). This study proposes an Inspired Grey Wolf Optimizer (IGWO) to address these issues and enhance ML-ISP for RGB color images. The performance stability of IGWO is comprehensively evaluated using three distinct objective functions: the Otsu method, the Kapur Entropy, and the M. Masi Entropy. Qualitative and quantitative analyses using PSNR, SSIM, and UQI were conducted on benchmark images. Results consistently demonstrate that IGWO, particularly with M. Masi Entropy, achieves superior segmentation quality. This research incorporates GridSearch-based hyperparameter tuning. The findings highlight the effectiveness and robustness of the proposed IGWO approach for complex ML-ISP tasks on color images.