Article Per Year (5 Year)
p-Index From 2021 - 2026
0.444
P-Index
This Author published in this journals
All Journal REMIK : Riset dan E-Jurnal Manajemen Informatika Komputer Engineering and Technology International Journal (EATIJ)
Rezti Deawinda Parinduri
Universitas Muhammadiyah Tapanuli Selatan
Aerospace Engineering Agriculture, Biological Sciences & Forestry Automotive Engineering Chemical Engineering, Chemistry & Bioengineering Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Education Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering Mechanical Engineering

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

Found 2 Documents
Search

 1 
Analisis Pola Pembelian Konsumen di Minimarket Menggunakan Algoritma FP-Growth Berbasis Data Transaksi Rezti Deawinda Parinduri
REMIK: Riset dan E-Jurnal Manajemen Informatika Komputer Vol. 10 No. 1 (2026): Volume 10 Nomor 1 Januari 2026
Publisher : Politeknik Ganesha Medan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33395/remik.v10i1.15775

Abstract

Penelitian ini bertujuan untuk menganalisis pola pembelian konsumen di minimarket menggunakan Algoritma FP-Growth guna mendukung pengambilan keputusan dalam strategi penataan produk dan pengelolaan persediaan barang. Populasi dalam penelitian ini adalah seluruh data transaksi penjualan yang tercatat pada sebuah minimarket selama periode pengamatan tertentu. Teknik pengambilan sampel yang digunakan adalah sampling jenuh, yaitu seluruh data transaksi digunakan sebagai sampel penelitian, sehingga sampel penelitian sama dengan populasi yang ada. Metode penelitian yang diterapkan pada penelitian ini adalah metode data mining dengan pendekatan association rule mining, yang meliputi tahap seleksi data, pembersihan data, transformasi data ke dalam format transaksi, pembentukan struktur FP-Tree, serta pencarian frequent itemset menggunakan algoritma FP-Growth. Penentuan pola asosiasi dilakukan berdasarkan nilai minimum support dan minimum confidence yang telah ditetapkan sebelumnya. Hasil penelitian menunjukkan bahwa algoritma FP-Growth mampu mengidentifikasi sejumlah pola pembelian konsumen dengan tingkat keterkaitan antarproduk yang kuat, yang ditunjukkan oleh nilai support dan confidence yang tinggi. Temuan kunci ini mengindikasikan bahwa konsumen memiliki kecenderungan membeli produk tertentu secara bersamaan dalam satu transaksi. Kesimpulan dari penelitian ini adalah bahwa algoritma FP-Growth efektif dan efisien dalam menemukan pola pembelian konsumen di minimarket, sehingga hasil analisis dapat dimanfaatkan sebagai dasar dalam pengambilan keputusan manajerial untuk meningkatkan efisiensi operasional dan penjualan.
Penerapan K-Means Clustering pada Absensi Mahasiswa Semester Ganjil untuk Mengelompokkan Kehadiran Mahasiswa Rezti Deawinda Parinduri
Engineering and Technology International Journal Vol 7 No 02 (2025): Engineering and Technology International Journal (EATIJ)
Publisher : YCMM

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55642/eatij.v7i01.1004

Abstract

Kedisiplinan mahasiswa dalam hal kehadiran menjadi indikator penting dalam menjamin mutu pembelajaran di perguruan tinggi. Penelitian ini bertujuan untuk menganalisis pola kehadiran mahasiswa pada mata kuliah semester ganjil dengan menerapkan algoritma K-Means Clustering sebagai bagian dari proses Knowledge Discovery in Database (KDD). Hipotesis penelitian menyatakan bahwa mahasiswa dapat dikelompokkan ke dalam kategori tingkat kehadiran yang berbeda secara signifikan. Data yang digunakan berupa absensi 35 mahasiswa selama 16 pertemuan. Proses penelitian mencakup tahapan KDD: pengumpulan data, pra-pemrosesan, penerapan algoritma K-Means, visualisasi dengan PCA, serta evaluasi menggunakan Silhouette Score. Hasil menunjukkan terbentuknya tiga cluster: kehadiran tinggi (90%), sedang (70%), dan rendah (50%), dengan skor siluet rata-rata sebesar 0.72 yang menunjukkan pemisahan cluster yang cukup baik. Kesimpulannya, algoritma K-Means efektif dalam mengelompokkan pola kehadiran mahasiswa secara objektif. Saran diberikan agar pihak universitas menggunakan hasil ini sebagai dasar perumusan kebijakan peningkatan kedisiplinan. Penelitian ini penting sebagai langkah awal dalam memahami perilaku mahasiswa berbasis data dan dapat dikembangkan lebih lanjut dengan menambahkan variabel serta mengeksplorasi algoritma lain.
Co-Authors