Article Per Year (5 Year)
p-Index From 2020 - 2025
2.036
P-Index
This Author published in this journals
All Journal JUTIM (Jurnal Teknik Informatika Musirawas) Jurnal Teknologi Informasi MURA JUSIM (Jurnal Sistem Informasi Musirawas) Jurnal Informatika Ekonomi Bisnis Jurnal Pengabdian kepada Masyarakat Nusantara Jurnal Nasional Ilmu Komputer Jurnal Pengembangan Sistem Informasi dan Informatika Jurnal Informatika Ekonomi Bisnis Jurnal Teknologi Informasi Mura
Aktavera, Beni
Universitas Pat Petulai
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Engineering Social Sciences Other

Published : 12 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search
Journal : Jurnal Teknologi Informasi MURA

 1 
KLASIFIKASI PRODUK MENGGUNAKAN ALGORITMA DECISION TREE Aktavera, Beni; Wijaya, Harma Oktafia Lingga
Jurnal Teknologi Informasi Mura Vol 15 No 1 (2023): Jurnal Teknologi Informasi Mura Juni
Publisher : LPPM UNIVERSITAS BINA INSAN

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32767/jti.v15i1.2264

Abstract

Kehadiran teknologi informasi juga berdampak positif bagi perusahaan. Teknologi informasi menjadikan sebuah perusahaan lebih teratur dan lebih mudah dalam pengoperasianya. Perusahaan menggunakan teknologi informasi dalam banyak hal seperti pengolahan data. Pengolahan data disebuah perusahaan adalah hal penting yang harus dilakukan agar pemimpin perusahaan dapat menilai kinerja dari perusahaan itu. Pengolahan data menjadi sangat mudah apabila menggunakan Data Mining, karena data mining berhubungan erat dengan pengolahan data. Masalah dalam penelitian ini adalah pengelolaan data yang masih menggunakan Microsoft Excel sehingga belum dapat mengklasifikasikan produk yang laris dan produk yang kurang laris serta permintaan konsumen yang beragam sehingga pengelolaan data manual menggunakan microsoft excel belum mampu mengetahui pola pembelian konsumen. Metode Decision Tree adalah model prediksi menggunakan struktur pohon atau struktur berhirarki. Konsep dari pohon keputusan adalah mengubah data menjadi decision tree dan aturan-aturan keputusan [1]. Keunggulan dari metode Decision Tree yaitu jika daerah pengambilan keputusan yang sebelumnya kompleks dan rumit, dapat diubah menjadi lebih simpel dan spesifik. data pada penelitian ini menggunakan bahasa pemprograman Python dengan akurasi 0,871.
IMPLEMENTASI DAN ANALISIS ASOSIASION RULE MENGGUNAKAN ALGORITMA APRIORI DAN ALGORITMA FP GROWTH Aktavera, Beni; Satrianansyah, Satrianansyah; Elmayati, Elmayati; Wijaya, Harma Oktafia Lingga
Jurnal Teknologi Informasi Mura Vol 16 No 1 (2024): Jurnal Teknologi Informasi Mura JUNI
Publisher : LPPM UNIVERSITAS BINA INSAN

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32767/jti.v16i1.2284

Abstract

Analisis asosiasi merupakan teknik data mining yang digunakan untuk menemukan hubungan atau pola tersembunyi antara item dalam sebuah dataset. Dua algoritma populer yang sering digunakan dalam analisis asosiasi adalah Algoritma Apriori dan Algoritma FP-Growth. Algoritma Apriori bekerja dengan prinsip mencari frekuensi itemset yang muncul dalam dataset. Proses ini dimulai dengan mengidentifikasi item-item yang paling sering muncul, kemudian memperluasnya menjadi kombinasi item yang lebih besar dan memeriksa frekuensinya. Algoritma ini menggunakan konsep support dan confidence untuk mengukur kekuatan asosiasi antara item. Support mengukur seberapa sering suatu itemset muncul dalam dataset, sedangkan confidence mengukur seberapa sering item B muncul di transaksi yang mengandung item A. Meskipun Algoritma Apriori efektif dalam menemukan aturan asosiasi, algoritma ini bisa menjadi tidak efisien pada dataset yang sangat besar karena harus melakukan banyak iterasi dan memindai dataset berkali-kali. Sebagai alternatif, Algoritma FP-Growth menggunakan pendekatan yang berbeda dengan membangun struktur data yang disebut FP-Tree (Frequent Pattern Tree) untuk menyimpan informasi tentang frekuensi itemset dalam dataset [1]. FP-Tree memungkinkan Algoritma FP-Growth untuk memindai dataset hanya dua kali, yang membuatnya lebih efisien dibandingkan dengan Algoritma Apriori. Setelah membangun FP-Tree, algoritma ini kemudian menggunakan teknik divide-and-conquer untuk menemukan itemset yang sering muncul tanpa harus melakukan iterasi berulang kali. Studi perbandingan antara Algoritma Apriori dan FP-Growth menunjukkan bahwa FP-Growth cenderung lebih efisien dalam hal waktu komputasi dan penggunaan memori, terutama pada dataset yang besar. Namun, Algoritma Apriori masih memiliki keunggulan dalam hal interpretasi hasil yang lebih mudah dipahami dan implementasi yang lebih sederhana [2].
Co-Authors Alamsyah, M.Nur Armanto, Armanto Basmansyah, Attaya Rifki Devi Purwanti, Devi Elmayati, Elmayati Handayani , Diah Fitria Intan, Bunga Lingga Wijaya, Harma Oktafia M. Nur Alamsyah, M. Nur Nurdiansyah, Deni Satrianansyah, Satrianansyah Sumijan Sumijan