Dokumen tersebut membahas tentang data mining khususnya metode association rule untuk mengekstraksi pola hubungan antar item dalam sejumlah besar data transaksi. Metode ini digunakan untuk memprediksi item mana yang cenderung dibeli bersamaan berdasarkan transaksi sebelumnya."
Materi yang ada pada slide ini berisi :
Implementasi Polimorphism
Overloading method VS Overriding Method
Ad Hoc & Subtyping Polimorphism
Latihan 5 & Upload ke github
----------------------------------------------------------------------
Keep in touch with me in :
Twitter : https://twitter.com/rizkiadam_1991
Email : rizkiadamunikom@gmail.com
Github : https://github.com/RizkiAdamKurniawan
IG : @rizkiadamkurniawan
Setiap elemen HTML yang kita buat memiliki property css display, pada slide ini akan dibahas bagaimana masing-masing perilaku dari value pada properti display tersebut.
value yang dapat digunakan adalah :
- inline
- inline-block
- block
- none
slide bantuan untuk video youtube:
https://youtu.be/VPaIdiPvWQM
Position adalah properti CSS yang dapat membuat kita melakukan tata letak dari elemen HTML sesuai dengan keinginan kita.
ada 4 value yang bisa kita gunakan pada properti position :
1. static
2. relative
3. absolute
4. fixed
Materi yang ada pada slide ini berisi :
Implementasi Polimorphism
Overloading method VS Overriding Method
Ad Hoc & Subtyping Polimorphism
Latihan 5 & Upload ke github
----------------------------------------------------------------------
Keep in touch with me in :
Twitter : https://twitter.com/rizkiadam_1991
Email : rizkiadamunikom@gmail.com
Github : https://github.com/RizkiAdamKurniawan
IG : @rizkiadamkurniawan
Setiap elemen HTML yang kita buat memiliki property css display, pada slide ini akan dibahas bagaimana masing-masing perilaku dari value pada properti display tersebut.
value yang dapat digunakan adalah :
- inline
- inline-block
- block
- none
slide bantuan untuk video youtube:
https://youtu.be/VPaIdiPvWQM
Position adalah properti CSS yang dapat membuat kita melakukan tata letak dari elemen HTML sesuai dengan keinginan kita.
ada 4 value yang bisa kita gunakan pada properti position :
1. static
2. relative
3. absolute
4. fixed
Kali ini dijelaskan mengenai EERD ( Enhanced ERD ) : generalisasi, spesialisasi, supertipe, subtipe, serta constraint pada supertipe. Selain itu, dikenalkan pula normalisasi. Bagaimana kita melakukan normalisasi dan kapan normalisasi harus berhenti.
Slide ini menjelaskan perihal penggunaan komentar yang baik dan buruk pada suatu kode program. Slide ini merupakan bahan ajar untuk mata kuliah Clean Code dan Design Pattern.
Materi untuk mata kuliah Pengujian Perangkat Lunak perihal Pengujian Perangkat Luak yang berfokus kepada Unit VS. Integration Testing dan White Box serta Black Box Testing
Slide ini berisi penjelasan tentang Data Mining Klasifikasi. Di dalamnya ada tiga algoritma yang dibahas, yaitu: Naive Bayes, kNN, dan ID3 (Decision Tree).
Slide ini berisi penjelasan tentang teorema-teorema yang berlaku untuk notasi asimptotik beserta cara perhitungannya untuk kebutuhan waktu suatu algoritma.
Slide ini merupakan bahan ajar mata kuliah Analisis Algoritma di Teknik Informatika UNIKOM dan berisi tentang pengantar kenapa mahasiswa harus belajar Analisis Algoritma.
Slide ini merupakan saduran dari slide milik Google dan Borrys Hasian yang berisi penjelasan dasar tentang Google Design Sprint. Slide ini boleh digunakan untuk kebutuhan edukasi dan boleh disebarluaskan untuk kebutuhan tersebut.
Slide ini berisi penjelasan tentang scrum, bahan dasar, dan workflownya. Slide ini boleh dipergunakan untuk kebutuhan edukasi dan dipersilakan untuk disebarluaskan.
Kampung Keluarga Berkualitas merupakan salah satu wadah yang sangat strategis untuk mengimplementasikan kegiatan-kegiatan prioritas Program Bangga Kencana secara utuh di lini
lapangan dalam rangka menyelaraskan pelaksanaan program-program yang dilaksanakan Desa
4. Ekstraksi pengetahuan yang menarik dalam bentuk
rule, regularities, pola, constraint, dan lain-lain dari data yang
tersimpan dalam sejumlah besar basis data
20. Gambaran Hubungan Asosiatif Antar Item
if then
Sebagai contoh:
if antecedent then consequent
Artinya:
1. Ada hubungan asosiatif antara roti dengan selai.
2. Jika seseorang membeli roti maka dia berkemungkinan juga sebesar n% untuk membeli selai dalam satu pembelian
21. Ada dua parameter yang perlu
diketahui pada metode
Association Rule, yaitu nilai
support dan nilai confidence
22. Nilai support:
Rasio antara jumlah transaksi yang memuat antecedent
dan consequent terhadap jumlah transaksi
Nilai confidence:
Rasio antara jumlah transaksi yang memuat antecedent
dan consequent terhadap jumlah transaksi yang meliputi
semua item dalam antecedent
23. IF A THEN B,C
Support = 0.5 (50%)
Confidence = 1 (100%)
IF B THEN C
Support = 1 (100%)
Confidence = 1 (100%)
IF B THEN C,A
Support = 0.5 (50%)
Confidence = 0.5 (50%)
Cara menghitung nilai support dan confidence
Terdapat dua transaksi yang terjadi:
31. Minimum support:
Menyatakan nilai minimum kemunculan itemset pada
suatu kumpulan transaksi
Minimum confidence:
Menyatakan nilai minimum kepercayaan terhadap rule
yang dihasilkan
32. Dalam kasus ini, ditentukan
nilai minimum support = 2
(22%) dan minimum
confidence = 70%
36. 1. C2 adalah hasil dari L1 join L1
2. L2 adalah itemset C2 yang memenuhi aturan minimum support
L1
37. Langkah 4:
Generate frequent pattern 3-itemset.
Lakukan untuk n-itemset apabila masih
mungkin terbentuk itemset.
38. 1. Algoritma apriori mulai berjalan di langkah ini
2. Join step: {{I1, I2, I3}, {I1, I2, I5}, {I1, I3, I5}, {I2, I3, I4}, {I2, I3, I5}, {I2, I4, I5}}
3. {I1, I3, I5}, {I2, I3, I4}, {I2, I3, I5}, {I2, I4, I5} tidak dijadikan itemset karena ada
subset dari set tersebut yang tidak memenuhi minimum support (prune)
39. Langkah 5:
Bentuk Association Rule dari frequent
itemset yang sudah dibentuk. Rule yang
nilai confidencenya lebih dari minimum
confidence akan digunakan (Strong
Association Rule).
45. Representasi pengetahuan
No. Strong Association Rule Representasi Pengetahuan
1 if {I1,I2} then {I5} Item I1, I2, dan I5 harus ditempatkan
pada rak yang berdekatan/pada satu
lorong rak
2 if {I3} then {I1,I2} Item I3, I1, dan I2 harus ditempatkan
pada rak yang berdekatan/pada satu
lorong rak
.. .. ..
Misalkan tujuan data mining adalah penempatan item yang memiliki hubungan
asosiatif harus ditempatkan berdekatan agar keuntungan lebih optimal
53. Langkah 3:
Urutkan tabel transaksi berdasarkan
frequent 1-itemset yang sudah diurutkan
support count-nya secara descending
54. Apabila ada dua item atau lebih yang memiliki support count yang sama maka urutan didasarkan
pada item mana yang ada di transaksi yang lebih awal muncul (T1 terjadi lebih dahulu dibanding T2)
Sort menurut support count (Descending):
𝐿 = { 𝐼2: 7 , 𝐼1: 6 , 𝐼3: 6 , 𝐼4: 2 , 𝐼5: 2 }
TID List of Items
T1 I2, I1, I5
T2 I2, I4
T3 I2, I3
T4 I2, I1, I4
T5 I1, I3
T6 I2, I3
T7 I1, I3
T8 I2, I1, I3, I5
T9 I2, I1, I3
56. null akan menjadi root dan child dari root dipilih berdasarkan scan List of Items
TID List of Items
T1 I2, I1, I5
T2 I2, I4
T3 I2, I3
T4 I2, I1, I4
T5 I1, I3
T6 I2, I3
T7 I1, I3
T8 I2, I1, I3, I5
T9 I2, I1, I3
null
I2:1
I1:1
I5:1
72. Langkah 6:
Bentuk Conditional FP-Tree dimulai dari
item dengan support count terendah ke
item dengan support count tertinggi
(gunakan konsep minimum support)
80. Langkah 8:
Cari Strong Association Rule
berdasarkan Frequent Pattern yang
terbentuk dengan cara yang sama
dengan apriori sampai terbentuk
representasi pengetahuan
82. Transaction ID Items
1 Bread, Milk
2 Bread, Diaper, Beer, Eggs
3 Milk, Diaper, Beer, Coke
4 Bread, Milk, Diaper, Beer
5 Bread, Milk, Diaper, Coke
Terdapat 5 transaksi yang terjadi:
Kasus:
1. Tujuan data mining adalah membentuk paket ekonomis dari item yang punya hubungan asosiasi
2. Ditentukan minimum support 2 dan minimum confidence 70%