| dc.identifier.citation | Agrawal, R., Imielinski T. & Swami A. (1993). Mining Association Rules Between Sets of Items in Large database. Procceding of the 1993 ACM International Conference on Management of Data. 207-216. BANPT. (2007). Akreditasi Institusi Perguruan Tinggi. Departemen Pemdidikan Nasonal, Jakarta. Berry, M.J.A. & Linoff, G.S. (2004). Data Mining Techniques for Marketing, Sales, and Customer Relationship Management Second Edition. Wiley Publishing Inc., Hoboken. Demir, N. (2004). Association Rules Mining in Plastic Pipe Sector. International Journal of Scientific Engineering and Applied Science, 1(4). Han J. & Kamber, M. (2006). Data Mining : Concepts and Techniques Third Edition. Morgan Kaufmann, USA. Han J., Pei J., & Yin Y. (2001). Mining Frequent Itemset Without Candidate Generation. International Conference on Management of Data. 29, 1- 12. Kusrini, & Luthfi, E.T. (2009). Algoritma Data Mining. Penerbit Andi, Yogyakarta. Larose, D.T. (2005). Discovery Knowledge in Data: An Introduction to Data Mining. John Wiley and Sons, Canada. Samuel, D. (2008). Penerapan Struktur FP-Tree dan Algoritma FP-Growth dalam Opimasi Penentuan Frequent Itemset. Institut Teknologi Bandung, Bandung. Santosa, B. (2007). Data Mining: Teknik Pemanfaatan Data untuk Keperluan Bisnis. Graha Ilmu, Yogyakarta. Syafiqoh, N.N. & Candra F. (2019). Penerapan Algoritma FP-Growth Untuk Mengetahui Variabel yang Memengaruhi Tingkat Kelulusan Mahasiswa FT UR. Computation Technology and its Application. 1(1). | id_ID |
| dc.description.abstract | Data mining adalah suatu proses mencari suatu informasi yang bermanfaat dalam sebuah dataset
dengan metode tertentu yang salah satunya adalah metode association rule (aturan asosiasi).
Algoritme FP-Growth merupakan algoritme yang dapat digunakan untuk menentukan himpunan
data yang sering muncul (frequent itemset) dalam sebuah dataset. Aturan asosiasi dapat
diterapkan pada data kelulusan mahasiswa menggunakan algoritme FP-Growtht. Oleh karena
itu, pada artikel ini diterapkan metode aturan asosiasi dengan algoritme FP-Growth pada data
kelulusan mahasiswa S1 FMIPA UNS tahun 2010-2019 berdasarkan enam atribut. Keenam
atribut tersebut adalah jenis kelamin, program studi, asal provinsi, IPK, jumlah SKS, dan lama
studi. Adapun langkah yang digunakan pada penelitian ini yaitu cleaning data, penentuan atribut
dan penerapan algoritme FP-Growth pada data kelulusan mahasiswa S1. Data tersebut diolah
dengan aturan asosiasi dan menghasilkan sebuah aturan yang merupakan kumpulan dari frequent
itemsets yang diurutkan dengan nilai confidence tertinggi. Hasil penelitian dan pembahasan
diperoleh 32 rules dengan rentang confidence 90-97%. | id_ID |
