Artikel ini membahas penggunaan algoritma Apriori dan FP-Growth untuk menganalisis data penjualan laptop berdasarkan merk yang populer di kalangan konsumen di Indocomputer Payakumbuh. Kedua algoritma digunakan untuk menemukan aturan asosiasi dan mengelompokkan data penjualan laptop berdasarkan merk agar dapat digunakan sebagai pertimbangan dalam strategi pemasaran dan persediaan stok laptop."
Dokumen tersebut membahas tentang sistem pendukung keputusan (SPK) dan contoh penerapannya di PT Coca-Cola Amatil Indonesia. SPK digunakan untuk mengolah data menjadi informasi guna mendukung pengambilan keputusan manajemen. PT Coca-Cola Amatil menggunakan SPK untuk menganalisis perilaku konsumen dan menetapkan strategi pemasaran berdasarkan data transaksi pelanggan dan parameter kinerja penjualan.
Sim, rika nurjanah, prof. dr . ir . hapzi ali, mm, cma, analisis dan perenca...rika43116110306
Sim, rika nurjanah, prof. dr . ir . hapzi ali, mm, cma, analisis dan perencanaan sisitem informasi akuntansi penjualan pada pt maju jaya , universitas mercu buana 2017.doc
Artikel ini membahas penggunaan algoritma Apriori dan FP-Growth untuk menganalisis data penjualan laptop berdasarkan merk yang populer di kalangan konsumen di Indocomputer Payakumbuh. Kedua algoritma digunakan untuk menemukan aturan asosiasi dan mengelompokkan data penjualan laptop berdasarkan merk agar dapat digunakan sebagai pertimbangan dalam strategi pemasaran dan persediaan stok laptop."
Dokumen tersebut membahas tentang sistem pendukung keputusan (SPK) dan contoh penerapannya di PT Coca-Cola Amatil Indonesia. SPK digunakan untuk mengolah data menjadi informasi guna mendukung pengambilan keputusan manajemen. PT Coca-Cola Amatil menggunakan SPK untuk menganalisis perilaku konsumen dan menetapkan strategi pemasaran berdasarkan data transaksi pelanggan dan parameter kinerja penjualan.
Sim, rika nurjanah, prof. dr . ir . hapzi ali, mm, cma, analisis dan perenca...rika43116110306
Sim, rika nurjanah, prof. dr . ir . hapzi ali, mm, cma, analisis dan perencanaan sisitem informasi akuntansi penjualan pada pt maju jaya , universitas mercu buana 2017.doc
ANALISIS KERANJANG BELANJA DENGAN ALGORITMA APRIORI PADA PERUSAHAAN RETAILDwi Putra Asana
Sering terjadinya kekosongan salah satu stok barang yang sering dibeli secara bersamaan oleh pelanggan merupakan akibat dari tidak adanya informasi mengenai kebiasaan belanja pelanggan. Sehingga perlu dilakukan penggalian informasi pada data transaksi dengan teknik association rule mining (aturan asosiasi) untuk mengetahui barang yang sering dibeli secara bersamaan oleh pelanggan. association rule mining juga sering dinamakan market basket analysis (analisis keranjang belanja). Algoritma yang digunakan dalam association rule mining pada penelitian ini adalah algoritma apriori. Kombinasi barang dicari berdasarkan nilai minimum support, nilai minimum confidence, dan rentang data transaksi penjualan yang dimasukan. Salah satu informasi yang dihasilkan adalah Jika membeli Cakra Kembar 25 Kg maka akan membeli Segitiga Biru 25 Kg dengan nilai support 11,76 % dan nilai confidence 43,24 %. Berdasarkan beberapa hasil uji coba dapat diketahui bahwa nilai minimum support yang dimasukan mempengaruhi banyak frequent itemset yang dihasilkan. Nilai minimum support dan minimum confidence yang dimasukan mempengaruhi waktu proses sistem dalam penggalian informasi.
Big data dapat didefinisikan sebagai volume data yang besar dan beragam yang membutuhkan teknologi canggih untuk menangkap, menyimpan, mengelola, dan menganalisis datanya. Teknologi ini memiliki manfaat bagi perusahaan seperti analisis data sosial, riwayat, dan prediksi.
TUGAS SIM,EFRI WANDA,YUNANTO MIHADI PUTRA,SE,M.Si,PEMANFAATAN SISTEM INFORMASIefriwanda
SIM merupakan sistem informasi yang menyediakan output berupa informasi untuk keperluan manajemen dengan memanfaatkan input dan berbagai proses. SIM mendukung perencanaan, pengendalian, pengambilan keputusan manajerial, dan pengevaluasian kinerja perusahaan. SIM terdiri atas berbagai sistem informasi fungsional dan didukung oleh teknologi informasi.
Sistem penjualan di Toko Besi Setia saat ini masih dilakukan secara manual sehingga menghadapi berbagai masalah seperti kesulitan mencari data, pemborosan waktu, dan kemungkinan kesalahan. Tugas akhir ini berusaha merancang sistem penjualan berbasis web untuk menyelesaikan masalah tersebut dengan tujuan meningkatkan kinerja toko serta efisiensi dan efektivitas kerja.
4 langkah proses desain model multidimensi meliputi pemilihan proses bisnis, penetapan grain terkecil, pemilihan dimensi, dan identifikasi fakta numerik. Langkah-langkah ini diterapkan pada studi kasus jaringan grosir besar untuk membangun skema data penjualan ritel yang mencakup tabel fakta dan tabel dimensi seperti tanggal, produk, toko, dan promosi.
Dokumen tersebut merupakan laporan analisis sistem informasi penjualan sepeda motor secara online yang dibuat oleh Egi Mustakim untuk memenuhi tugas akhir semester di Bina Sarana Informatika. Laporan tersebut menganalisis sistem penjualan secara konvensional di PT. Surya Abadi Motor dan merancang sistem penjualan secara online menggunakan website berbasis e-commerce untuk meningkatkan efisiensi penjualan.
3. hapzi ali, sistem informasi enterprise, ent. is, utHapzi Ali
Prof. Dr. Hapzi Ali, CMA
Universitas Mercu Buana (Mercu Buana University), Jakarta Indonesia
Bidang Ilmu: Marketing & Business Management, Research Method, MIS, Good Corporate Governance
www.mercubuana.ac.id.
email: hapzi.ali@gmail.com, hapzi.ali@mercubuana.ac.id
Dokumen ini membahas tentang consumer behavior dan big data. Big data merujuk pada kumpulan data besar yang sulit untuk ditangani dengan perangkat lunak database konvensional. Ada 4 dimensi big data yaitu volume, kecepatan, variasi, dan kebenaran. Dengan menggunakan analisis big data, perusahaan dapat melakukan inovasi, menganalisis masalah bisnis, dan menggunakan AI untuk aplikasi bisnis dengan tujuan meningkatkan kepuasan pelanggan dan ef
Ringkasan dokumen tersebut adalah:
(1) Dokumen tersebut membahas tentang perancangan sistem aplikasi penjualan barang untuk Mini Market menggunakan Microsoft Visual Basic 6.0;
(2) Sistem aplikasi ini dirancang untuk mempermudah pengelolaan data penjualan dan persediaan barang;
(3) Dokumen ini membahas latar belakang masalah, tujuan, manfaat, dan metodologi penelitian yang digunakan.
Dokumen tersebut membahas tentang sistem manajemen pendukung keputusan yang mencakup konsep data warehouse, data mart, OLAP, dan data mining. Data warehouse digunakan untuk menyimpan dan mengintegrasikan data historis dari berbagai sumber untuk analisis manajemen. Data mart merupakan subset dari data warehouse yang difokuskan pada kebutuhan departemen tertentu. OLAP digunakan untuk manipulasi dan analisis data multidimensi besar-besaran. Sedangkan data mining digunakan
Tugas 11 sia aplikasi konsep data relasional pada sistem siklus produksi conv...RizkytaSalsabila
ABSTRAK
Setiap perusahaan baik yang sudah besar atau masih berkembang akan selalu membutuhkan data dan informasi. Setiap keputusan yang baik bersumberkan dari kualitas informasi yang baik. Dengan adanya kualitas informasi, maka keputusan dapat diambil dengan baik. Basisdata adalah kumpulan informasi yang disimpan di dalam komputer secara sistematik sehingga dapat diperiksa menggunakan suatu program komputer untuk memperoleh informasi dari basisdata tersebut. Database relasional merupakan jenis Database Management System (DBMS) yang terbaru, yang memberikan gambaran atau bagam skema yang menjelaskan tentang hubungan antar tabel bisa dilakuan di dalam sebuah database.
Keberadaan sistem informasi akuntansi sangat penting dalam siklus produksi, dengan sistem informasi akuntansi membantu menghasilkan informasi biaya yang tepat dan waktu kerja yang jelas untuk dijadikan masukan bagi pembuat keputusan dalam perancanaan produk atau jasa yang dihasilkan, berapa harga produk tersebut, dan bagaimana perencanaan penyerapan dan alokasi sumber daya yang diperlukan, dan yang sangat penting adalah bagaimana merencanakan dan mengendalikan biaya produksi serta evaluasi kinerja terhadap produktifitas yang dihasikan.
Kata kunci: Basisdata, relasional, sistem informasi, siklus produksi
Konsumen Sebagai Co-Creation untuk Menentukan Strategi.pdfferisulianta.com
Industri retail skala internasional menjual banyak variasi produk yang didapat dari berbagai vendor, transaksi penjualan yang terjadi membentuk gudang data yang tersimpan pada basis data Sistem Enterprise Resource Planning. Ketersediaan data historis hasil transaksi yang terdokumentasi dapat manfaaatkan lebih lanjut untuk ditambang dengan menganalisa keranjang belanja konsumen. dengan mencari korelasi antara produk-produk dalam kumpulan transaksi penjualan yang sudah terjadi dalam kurun waktu tertentu. Algoritma apriori digunakan untuk membangun aturan asosiasi yang berfokus pada memetakan perilaku konsumen retail sebagai co-creation manajemen startegi perusahaan dan dapat menghasilkan hubungan dan aturan yang akan mengungkapkan pola preferensi pelanggan terhadap berbagai jenis produk, yang sebelumnya tersembunyi dan sulit diukur. Aturan asosiasi yang dihasilkan melalui serangkaian proses teknik data mining diujikan lebih lanjut untuk mengukur keberhasilkan aturan asosiasi menggunakan data transaksional pada periode berikutnya. Hasil pengujian aturan asosiasi dengan nilai minimum confidence 70% digunakan sebagai dasar membangun strategi bisnis diantaranya: memperkuat penjualan paket, strategi penempatan produk, segmentasi pasar berdasarkan preferensi warna,
mengelola stok dan ketersediaan produk.
Aturan Asosiasi menggunakan Algoritma Apriori sebagai Dasar Aksi Bisnis .pdfferisulianta.com
Didalam hal bisnis, banyak sektor yang terlibat dalam proses jual beli. Tidak hanya penjualan besar yang dilakukan oleh perusahaan-perusahaan yang juga besar, masih banyak bisnis toko retail yang dilakukan masyarakat menengah kebawah. Toko retail umunya tidak menjual satu produk namun relatif banyak produk yang ditawarkan dalam bisnisnya. Dalam bisnisnya, toko retail membeli barang yang akan dijualnya dari produsen yang kemudian dijualnya kembali pada para konsumen secara langsung. Cukup banyaknya pelanggan dan proses transaksi, toko retail ini ingin mengetahui pola pembelian konsumen dengan memanfaatkan data transaksi yang sudah terjadi. Penelitian ini bertujuan untuk menganalisis pola pembelian konsumen pada toko retail dengan memanfaatkan data transaksi yang telah terjadi. Data transaksi tersebut mencakup informasi mengenai produk yang dibeli, jumlah pembelian, waktu pembelian, dan profil konsumen. Dengan menganalisis data transaksi tersebut, toko retail dapat memperoleh wawasan yang berharga mengenai kebiasaan pembelian konsumen, preferensi produk, tren penjualan, dan faktor-faktor lain yang dapat mempengaruhi keputusan pembelian. Metode yang digunakan dalam penelitian ini adalah analisis data dan pemodelan statistik. Data transaksi yang dikumpulkan dari toko retail akan dianalisis menggunakan teknik-teknik statistik seperti analisis deskriptif, analisis asosiasi, dan analisis klaster. Hasil dari penelitian ini diharapkan dapat memberikan wawasan yang berharga bagi toko retail dalam mengoptimalkan strategi penjualan dan pemasaran mereka. Dengan memahami pola pembelian konsumen, toko retail dapat mengatur stok produk dengan lebih efisien, merancang promosi yang tepat, dan menyediakan pengalaman berbelanja yang lebih personal bagi konsumen.
Kata kunci: Toko Retail, Algoritma Apriori, Aturan Asosiasi, Strategi Bisnis, Data Mining.
ANALISIS KERANJANG BELANJA DENGAN ALGORITMA APRIORI PADA PERUSAHAAN RETAILDwi Putra Asana
Sering terjadinya kekosongan salah satu stok barang yang sering dibeli secara bersamaan oleh pelanggan merupakan akibat dari tidak adanya informasi mengenai kebiasaan belanja pelanggan. Sehingga perlu dilakukan penggalian informasi pada data transaksi dengan teknik association rule mining (aturan asosiasi) untuk mengetahui barang yang sering dibeli secara bersamaan oleh pelanggan. association rule mining juga sering dinamakan market basket analysis (analisis keranjang belanja). Algoritma yang digunakan dalam association rule mining pada penelitian ini adalah algoritma apriori. Kombinasi barang dicari berdasarkan nilai minimum support, nilai minimum confidence, dan rentang data transaksi penjualan yang dimasukan. Salah satu informasi yang dihasilkan adalah Jika membeli Cakra Kembar 25 Kg maka akan membeli Segitiga Biru 25 Kg dengan nilai support 11,76 % dan nilai confidence 43,24 %. Berdasarkan beberapa hasil uji coba dapat diketahui bahwa nilai minimum support yang dimasukan mempengaruhi banyak frequent itemset yang dihasilkan. Nilai minimum support dan minimum confidence yang dimasukan mempengaruhi waktu proses sistem dalam penggalian informasi.
Big data dapat didefinisikan sebagai volume data yang besar dan beragam yang membutuhkan teknologi canggih untuk menangkap, menyimpan, mengelola, dan menganalisis datanya. Teknologi ini memiliki manfaat bagi perusahaan seperti analisis data sosial, riwayat, dan prediksi.
TUGAS SIM,EFRI WANDA,YUNANTO MIHADI PUTRA,SE,M.Si,PEMANFAATAN SISTEM INFORMASIefriwanda
SIM merupakan sistem informasi yang menyediakan output berupa informasi untuk keperluan manajemen dengan memanfaatkan input dan berbagai proses. SIM mendukung perencanaan, pengendalian, pengambilan keputusan manajerial, dan pengevaluasian kinerja perusahaan. SIM terdiri atas berbagai sistem informasi fungsional dan didukung oleh teknologi informasi.
Sistem penjualan di Toko Besi Setia saat ini masih dilakukan secara manual sehingga menghadapi berbagai masalah seperti kesulitan mencari data, pemborosan waktu, dan kemungkinan kesalahan. Tugas akhir ini berusaha merancang sistem penjualan berbasis web untuk menyelesaikan masalah tersebut dengan tujuan meningkatkan kinerja toko serta efisiensi dan efektivitas kerja.
4 langkah proses desain model multidimensi meliputi pemilihan proses bisnis, penetapan grain terkecil, pemilihan dimensi, dan identifikasi fakta numerik. Langkah-langkah ini diterapkan pada studi kasus jaringan grosir besar untuk membangun skema data penjualan ritel yang mencakup tabel fakta dan tabel dimensi seperti tanggal, produk, toko, dan promosi.
Dokumen tersebut merupakan laporan analisis sistem informasi penjualan sepeda motor secara online yang dibuat oleh Egi Mustakim untuk memenuhi tugas akhir semester di Bina Sarana Informatika. Laporan tersebut menganalisis sistem penjualan secara konvensional di PT. Surya Abadi Motor dan merancang sistem penjualan secara online menggunakan website berbasis e-commerce untuk meningkatkan efisiensi penjualan.
3. hapzi ali, sistem informasi enterprise, ent. is, utHapzi Ali
Prof. Dr. Hapzi Ali, CMA
Universitas Mercu Buana (Mercu Buana University), Jakarta Indonesia
Bidang Ilmu: Marketing & Business Management, Research Method, MIS, Good Corporate Governance
www.mercubuana.ac.id.
email: hapzi.ali@gmail.com, hapzi.ali@mercubuana.ac.id
Dokumen ini membahas tentang consumer behavior dan big data. Big data merujuk pada kumpulan data besar yang sulit untuk ditangani dengan perangkat lunak database konvensional. Ada 4 dimensi big data yaitu volume, kecepatan, variasi, dan kebenaran. Dengan menggunakan analisis big data, perusahaan dapat melakukan inovasi, menganalisis masalah bisnis, dan menggunakan AI untuk aplikasi bisnis dengan tujuan meningkatkan kepuasan pelanggan dan ef
Ringkasan dokumen tersebut adalah:
(1) Dokumen tersebut membahas tentang perancangan sistem aplikasi penjualan barang untuk Mini Market menggunakan Microsoft Visual Basic 6.0;
(2) Sistem aplikasi ini dirancang untuk mempermudah pengelolaan data penjualan dan persediaan barang;
(3) Dokumen ini membahas latar belakang masalah, tujuan, manfaat, dan metodologi penelitian yang digunakan.
Dokumen tersebut membahas tentang sistem manajemen pendukung keputusan yang mencakup konsep data warehouse, data mart, OLAP, dan data mining. Data warehouse digunakan untuk menyimpan dan mengintegrasikan data historis dari berbagai sumber untuk analisis manajemen. Data mart merupakan subset dari data warehouse yang difokuskan pada kebutuhan departemen tertentu. OLAP digunakan untuk manipulasi dan analisis data multidimensi besar-besaran. Sedangkan data mining digunakan
Tugas 11 sia aplikasi konsep data relasional pada sistem siklus produksi conv...RizkytaSalsabila
ABSTRAK
Setiap perusahaan baik yang sudah besar atau masih berkembang akan selalu membutuhkan data dan informasi. Setiap keputusan yang baik bersumberkan dari kualitas informasi yang baik. Dengan adanya kualitas informasi, maka keputusan dapat diambil dengan baik. Basisdata adalah kumpulan informasi yang disimpan di dalam komputer secara sistematik sehingga dapat diperiksa menggunakan suatu program komputer untuk memperoleh informasi dari basisdata tersebut. Database relasional merupakan jenis Database Management System (DBMS) yang terbaru, yang memberikan gambaran atau bagam skema yang menjelaskan tentang hubungan antar tabel bisa dilakuan di dalam sebuah database.
Keberadaan sistem informasi akuntansi sangat penting dalam siklus produksi, dengan sistem informasi akuntansi membantu menghasilkan informasi biaya yang tepat dan waktu kerja yang jelas untuk dijadikan masukan bagi pembuat keputusan dalam perancanaan produk atau jasa yang dihasilkan, berapa harga produk tersebut, dan bagaimana perencanaan penyerapan dan alokasi sumber daya yang diperlukan, dan yang sangat penting adalah bagaimana merencanakan dan mengendalikan biaya produksi serta evaluasi kinerja terhadap produktifitas yang dihasikan.
Kata kunci: Basisdata, relasional, sistem informasi, siklus produksi
Konsumen Sebagai Co-Creation untuk Menentukan Strategi.pdfferisulianta.com
Industri retail skala internasional menjual banyak variasi produk yang didapat dari berbagai vendor, transaksi penjualan yang terjadi membentuk gudang data yang tersimpan pada basis data Sistem Enterprise Resource Planning. Ketersediaan data historis hasil transaksi yang terdokumentasi dapat manfaaatkan lebih lanjut untuk ditambang dengan menganalisa keranjang belanja konsumen. dengan mencari korelasi antara produk-produk dalam kumpulan transaksi penjualan yang sudah terjadi dalam kurun waktu tertentu. Algoritma apriori digunakan untuk membangun aturan asosiasi yang berfokus pada memetakan perilaku konsumen retail sebagai co-creation manajemen startegi perusahaan dan dapat menghasilkan hubungan dan aturan yang akan mengungkapkan pola preferensi pelanggan terhadap berbagai jenis produk, yang sebelumnya tersembunyi dan sulit diukur. Aturan asosiasi yang dihasilkan melalui serangkaian proses teknik data mining diujikan lebih lanjut untuk mengukur keberhasilkan aturan asosiasi menggunakan data transaksional pada periode berikutnya. Hasil pengujian aturan asosiasi dengan nilai minimum confidence 70% digunakan sebagai dasar membangun strategi bisnis diantaranya: memperkuat penjualan paket, strategi penempatan produk, segmentasi pasar berdasarkan preferensi warna,
mengelola stok dan ketersediaan produk.
Aturan Asosiasi menggunakan Algoritma Apriori sebagai Dasar Aksi Bisnis .pdfferisulianta.com
Didalam hal bisnis, banyak sektor yang terlibat dalam proses jual beli. Tidak hanya penjualan besar yang dilakukan oleh perusahaan-perusahaan yang juga besar, masih banyak bisnis toko retail yang dilakukan masyarakat menengah kebawah. Toko retail umunya tidak menjual satu produk namun relatif banyak produk yang ditawarkan dalam bisnisnya. Dalam bisnisnya, toko retail membeli barang yang akan dijualnya dari produsen yang kemudian dijualnya kembali pada para konsumen secara langsung. Cukup banyaknya pelanggan dan proses transaksi, toko retail ini ingin mengetahui pola pembelian konsumen dengan memanfaatkan data transaksi yang sudah terjadi. Penelitian ini bertujuan untuk menganalisis pola pembelian konsumen pada toko retail dengan memanfaatkan data transaksi yang telah terjadi. Data transaksi tersebut mencakup informasi mengenai produk yang dibeli, jumlah pembelian, waktu pembelian, dan profil konsumen. Dengan menganalisis data transaksi tersebut, toko retail dapat memperoleh wawasan yang berharga mengenai kebiasaan pembelian konsumen, preferensi produk, tren penjualan, dan faktor-faktor lain yang dapat mempengaruhi keputusan pembelian. Metode yang digunakan dalam penelitian ini adalah analisis data dan pemodelan statistik. Data transaksi yang dikumpulkan dari toko retail akan dianalisis menggunakan teknik-teknik statistik seperti analisis deskriptif, analisis asosiasi, dan analisis klaster. Hasil dari penelitian ini diharapkan dapat memberikan wawasan yang berharga bagi toko retail dalam mengoptimalkan strategi penjualan dan pemasaran mereka. Dengan memahami pola pembelian konsumen, toko retail dapat mengatur stok produk dengan lebih efisien, merancang promosi yang tepat, dan menyediakan pengalaman berbelanja yang lebih personal bagi konsumen.
Kata kunci: Toko Retail, Algoritma Apriori, Aturan Asosiasi, Strategi Bisnis, Data Mining.
Penerapan Data Mining dengan Algoritma C4.5 dalam Pemesanan Obat Guna Meningk...Gede Surya Mahendra
Dokumen tersebut membahas penerapan teknik data mining dengan algoritma C4.5 dalam memprediksi pemesanan obat di apotek untuk meningkatkan keuntungan. Data penjualan obat selama sebulan diapotek dikelompokkan berdasarkan kategori, tipe, harga dan status obat lalu dianalisis menggunakan algoritma C4.5. Hasilnya menunjukkan kategori obat generik paling laku terjual sedangkan kategori minuman dan makanan
Sistem informasi penjualan, persediaan, dan pembelian yang dirancang dapat memudahkan pencatatan transaksi di PT. XYZ dan menghasilkan laporan yang dibutuhkan secara cepat dan akurat. Sistem ini diharapkan dapat meningkatkan kinerja perusahaan dan mendukung pengambilan keputusan bisnis.
Membangun Aturan Asosiasi menggunakan Algoritma Apriori untuk Rekomendasi Fil...ferisulianta.com
Rekomendasi film berperan penting dalam membantu penonton memilih film yang sesuai dengan minat mereka, terutama di tengah banyaknya pilihan yang tersedia. Dalam penelitian ini, kami menggunakan algoritma Apriori untuk memberikan rekomendasi film berdasarkan data IMDb. Algoritma Apriori digunakan untuk menemukan hubungan antara film-film berdasarkan informasi seperti genre, aktor, dan peringkat pengguna. Dengan menerapkan algoritma ini, kami dapat mengidentifikasi pola-pola yang sering muncul di antara item-item film dalam dataset IMDb. Misalnya, jika seorang pengguna sering menonton film-film aksi dengan aktor tertentu, algoritma Apriori dapat merekomendasikan film-film serupa dengan genre yang sama dan melibatkan aktor yang serupa. Diharapkan bahwa implementasi algoritma Apriori ini dapat membantu pengguna menemukan film-film yang relevan dan sesuai dengan minat mereka dalam pengalaman menonton mereka.
preferensi pengguna. Hasil penelitian ini diharapkan dapat memberikan panduan yang berguna bagi penonton dalam menemukan film-film yang menarik dan sesuai dengan minat mereka berdasarkan informasi IMDb yang relevan.
Keywords—association rules, dataset, Movies,apriori, IMDb
20. implementasi data mining pada penjualan produk elektronik dengan algoritm...ym.ygrex@comp
Dokumen ini membahas implementasi algoritma apriori pada penjualan produk elektronik, khususnya laptop, untuk mengetahui merek mana yang paling banyak terjual. Algoritma apriori digunakan untuk menemukan pola frekuensi tinggi dari data penjualan dengan menghitung nilai support dan confidence. Hasilnya menunjukkan merek Acer, Toshiba, dan Samsung memiliki nilai support di atas 30% sehingga merupakan merek laptop terlaris.
Penerapan Metode Apriori Untuk Identifikasi Pola Data Transaksi Pada Customer...ferisulianta.com
Supermarket merpuakan tempat berbelanja dari seseorang terhadap suatu daerah masyarakat setempat. Dengan pelayanan yang maksimal untuk mengetahui pola data pembelian yang diberikan dan mengantisipasi persediaan bahan pokok didaerah tertentu agar tidak mengalami keterlambatan kesediaan barangt. Maka diperlukan pencarian pola atau hubungan Association rule (aturan asosiatif). Association rule merupakan salah satu teknik data mining yang sangat penting, dapat diartikan bahwa hubungan antara sejumlah item dengan menentukan nilai support dan confidence pada basis data, penting tidaknya aturan asosiasi dapat diketahui dengan nilai support atau nilai penunjang dan confidence (nilai kepastian) algoritma apriori menghitung seringnnya item-set yang muncul dalam database melalui beberapa iterasi, setiap iterasi tersebut memiliki dua tahapan yaitu menentukan kandidat dan menghitung kandidat. Tahap pertama pada iterasi pertama , himpunan yang dihasilkan dari kandidat item-set berisikan seluruh 1-item-set. Tahap kedua algoritma apriori menghitung support-nya melalui seluruh item-set dengan batas minimum tertentu saja yang dianggap sering muncul (frequent), sehingga dapat diketahui item-set yang sering muncul.. Penghapusan ini berdasarkan pengamatan yaitu apakah item-set tersebut sering muncul atau tidak. Dari hasil penelitian dengan menggunakan nilai minimum support dan minimum confident tertinggi akan membentuk nilai akhir, yaitu nilai paling besar yang melebihi batas minimal support dan confidence. Dalam penelitian ini dengan menggunakan kombinasi 2 item set dengan minimum support 2 dan minimum confidence 35 pada super market di daerah tebet selatan adalah “jika pembeli membeli Telur dan daging giling maka pembeli akan membeli air mineral ” dengan Support 7,333% dan confidence 50,66%
Kata Kunci : super market, association rule, algoritma apriori
Toko Damai Bangunan memiliki permasalahan dalam persediaan barang dagang yang kurang terpantau dengan baik. Sehingga sering terjadi persediaan barang kosong untuk beberapa bulan. Pencatatan pengeluaran serta penerimaan kas juga tidak tercatat secara berkala. Pemilik toko Damai Bangunan tidak mengetahui secara rinci jumlah pendapatan dan pengeluaran pada toko Damai Bangunan. Berdasarkan permasalahan tersebut, penelitian ini merancang sebuah sistem informasi akuntansi yang mencakup pencatatan jumlah persediaan barang dagang untuk mendukung operasi bisnis toko Damai Bangunan. Pencatatan keuangan didalam penelitian ini menggunakan metode pencatatan perpetual. Pengujian hasil analisis penelitian ini menggunakan metode pengujian Black Box Testing. Pengujian terhadap implementasi sistem yaitu sistem telah sesuai berdasarkan kebutuhan toko Damai Bangunan. Pembuatan laporan keuangan juga lebih cepat menggunakan sistem dari pada pembuatan laporan keuangan manual. Ukuran waktu yang menyatakan pembuatan laporan keuangan dari sistem itu cepat adalah waktu nyata (real time) ketika laporan dihasilkan oleh sistem hanya beberapa detik. Sedangkan pembuatan laporan keuangan manual membutuhkan waktu yang lebih banyak untuk memeriksa setiap data yang ada dalam pembuatan laporan.
Analisis Sistem Informasi Akuntansi Persediaan Barang Dagang pada Mega Phone ...Trisnadi Wijaya
Penelitian ini bertujuan untuk menganalisis sistem informasi akuntansi persediaan barang dagang di Mega Phone Store dan menganalisis implementasi sistem informasi yang tepat. Analisis menemukan bahwa sistem informasi saat ini masih memiliki kelemahan seperti kesalahan pencatatan persediaan dan penggabungan gudang retail dan grosir, sehingga diperlukan perbaikan sistem baru dengan pemisahan gudang dan program akuntansi yang lebih baik.
Sim, deby christin nm, hapzi ali, analisis perancangan sistem informasi pada ...Deby Christin
Dokumen tersebut merangkum analisis sistem informasi yang digunakan oleh PT Carrefour Indonesia. Sistem informasi tersebut mendukung operasional perusahaan seperti penjualan, keuangan, dan manajemen data produk dan pelanggan. Dokumen juga menjelaskan peran sistem informasi dalam mendukung bisnis ritel Carrefour.
Sim, deby christin nm, hapzi ali, analisis perancangan sistem informasi pada ...Deby Christin
Penelitian ini didasari pada tugas individu untuk Ujian Akhir Semester (UAS) yang diberikan oleh dosen pengampu mata kuliah Sistem Informasi Manajemen (SIM). Penelitian ini bertujuan untuk membahas serta menganalis sistem informasi manajemen dan penerapan E-commerce pada perusahaan ritel yang digunakan oleh PT. Carrefour Indonesia. PT. Carrefour adalah salah satu perusahaan yang menggunakan jaringan sistem informasi manajemen E-Commerce untuk mempermudah proses bisnis. Sistem Informasi Manajemen E-Commerce pada PT. Carrefour juga dapat membantu serta mendukung komunikasi, koordinasi, dan kolaborasi antara anggota tim network dan tim kerja serta membantu pelanggan untuk memperoleh informasi.
Penelitian ini juga mengidentifikasi implementasi sistem informasi manajemen (SIM) pada PT. Carrefour dan mengetahui kelebihan serta kekurangan dari sistem informasi manajemen pada PT. Carrefour.
Kata Kunci : Sistem Informasi, Sistem Informasi Manajemen, PT. Carrefour, E-Commerce, Transaction Processing Systems (TPS), Process Control Systems (PCS), Office Automation Systems (OAS)
2. 36 Analisa data transaksi penjualan barang menggunakan algoritme Apriori dan FP-Growth
membuat beberapa tahap iterasi di dalam database [10]. Dijelaskan juga bahwa tiap
iterasi menghasilkan pola frekuensi yang dihitung dengan cara meng-scan database untuk
mendapatkan support dari setiap item. Setelah support dari setiap item didapat, item yang
memiliki support di atas minimum support dipilih menjadi pola frekuensi tinggi dengan
panjang satu atau sering disebut 1 − itemset.
Istilah k − itemset adalah istilah untuk satu set yang terdiri dari k item. Sementara
iterasi kedua akan menghasilkan 2 − itemset yang tiap setnya memiliki dua item [11]. Dalam
penggunaannya, algoritme Apriori dapat mengurangi jumlah kandidat yang harus dihitung
supportnya dengan cara pemangkasan. Pemangkasan inilah yang membuat algoritme Apriori
memiliki performa yang baik [12]. Di samping memiliki performa yang baik, algoritme
Apriori juga memiliki kelemahan [13]. Beberapa peneliti menyimpulkan kelemahan yang
yang ada di algoritme Apriori berada pada proses scanning yang wajib dilakukan pada setiap
kali iterasi sehingga akan memerlukan waktu yang cukup lama dan kemampuan komputasi
yang besar. Kekurangan algoritme Apriori ini sudah tidak lagi ditemukan dalam algoritme
-algoritme baru yang serupa, seperti contohnya FP-Growth. Mereka juga mengatakan bahwa
algoritme Apriori masih perlu diteliti dan dikembangkan lagi dalam kaitannya dengan bidang
data mining.
FP-Growth merupakan salah satu alternatif algoritme yang cukup efektif untuk mencari
himpunan data yang paling sering muncul (frequent itemset) dalam sebuah kumpulan data
yang besar [14]. FP-Growth memiliki kecepatan dalam menampilkan hasil dibandingkan
dengan Apriori, namun gagal dalam menghasilkan nilai confidence yang tinggi [15]. FP-
Growth memiliki kelebihan mengenali suatu objek secara non-linier, mempermudah pemetaan
input menjadi suatu hasil tanpa mengetahui proses sebenarnya, kuat di parallel processing
dan kemampuan untuk mentoleransi.Pada penelitian ini akan membandingkan algoritme
Apriori dan algoritme FP-Growth dalam menampilkan himpunan data yang paling sering
muncul (frequent itemset) per bulan dalam sebuah kumpulan data yang besar dan waktu
yang dibutuhkan dalam menampilkan himpunan data tersebut.
2 Metodologi
Para peneliti Rusia berhasil dalam penyatuan dua sumber data yang sangat berbeda. Pe-
nelitian itu juga dapat mengelola penyaringan dan pemilihan data yang sangat berguna
untuk adaptasi data K-train dataset. Penemuan itu tentunya sangat berguna untuk menga-
nalisis MBA dengan sumber data yang berbagai macam untuk perbaikan sistem tata letak
barang [16]. Sebagai contoh, para peneliti lebih banyak berputar studi mereka di sekitar
aturan asosiasi, hubungan antar barang yang dibeli bersama oleh pelanggan [5; 8].
Para peneliti mencoba mengembangkan algoritme Apriori yang merupakan algoritme
klasik dan cukup penting dalam FIM. Contoh dari beberapa algoritme apriori yang dikem-
bangkan adalah ARM Predictor Algorithm. Algoritme tersebut secara otomatis melacak
perubahan fakta dari data sebelumnya. Hasilnya sangat dipengaruhi oleh nilai ambang batas
manual untuk skor, sehingga diperlukan untuk mengotomatiskan nilai ambang batas menjadi
lebih baik dalam mencari outlier [5].
Dalam analisis keranjang pasar terhadap perilaku pelanggan dalam pembelian barang
secara bersama beberapa peneliti yang dilakukan dengan menggunakan Apriori menyim-
pulkan bahwa Apriori memiliki kelemahan dalam kecepatan menampilkan hasil. Hal ini
bisa diatasi dengan menggunakan algoritme sejenis dengan Apriori yaitu FP-Growth yang
memiliki kecepatan yang lebih baik dalam menampilkan hasil dibandingkan dengan Apriori,
namun gagal dalam menghasilkan nilai confidence yang tinggi [15].
3. Harianto dan Eddy. H. 37
Dataset yang digunakan dalam penelitian ini diambil pada retail online transaksi pada
tahun 2011. Ritel online atau belanja online adalah suatu bentuk perdagangan elektronik
yang memungkinkan konsumen untuk langsung membeli barang atau jasa dari seorang
penjual melalui internet tanpa jasa perantara. Sebuah toko online, e-toko, e-toko, toko
internet, web-toko, web- store , toko online, atau toko virtual membangkitkan analogi fisik
membeli produk atau jasa pada batu bata-dan-mortir pengecer atau pusat perbelanjaan .
Proses ini disebut business-to-consumer (B2C) belanja online.
2.1 Tahapan penelitian
Penelitian dimulai dengan mengambil dataset pada retail online kemudian memilih ber-
dasarkan bulan dengan pemodelan percobaan menjadi 7 percobaan. Kemudian algoritme
Apriori dan FP-Growth dibandingkan berdasarkan jumlah kombinasi itemset yang dihasilkan
dan perbandingan efisiensi waktu yang digunakan dalam membuat aturan. Hasil percobaan
tersebut membuktikan perbandingan pola yang dihasilkan dari setiap algoritme dan kemu-
dian dapat digunakan sebagai bahan analisis dalam meningkatkan strategi penjualan bagi
pihak lain yang ingin melakukan analisis menggunakan salah satu atau kedua dari algoritme
tersebut. Alur penelitian dapat dilihat pada Gambar 1 berikut.
Gambar 1 Alur penelitian
Pada penelitian ini rumus dalam algoritme Apriori yang digunakan menghitung kecende-
rungan kemunculan itemset dalam jumlah transaksi yang mengacu pada frequency, support
count atau count itemset [14; 17; 18]. Pada algoritme FP-Growth yang merupakan salah
satu algoritme dari teknik association rule digunakan untuk menentukan himpunan data
yang paling sering muncul (frequent itemset) dalam sebuah kumpulan data. Pada bagian ini
penelitian menggunakan rumus dari analisis pola frekuensi tinggi dan pembetukan aturan
asosiatif [19].
4. 38 Analisa data transaksi penjualan barang menggunakan algoritme Apriori dan FP-Growth
3 Hasil dan pembahasan
Berdasarkan metodologi penelitian, beberapa tahap penting yang akan dilakukan untuk
menyelesaikan penelitian ini. Adapun tahapan tersebut terdiri dari perencanaan, pengum-
pulan dan pengolahan data, perhitungan association rule menggunakan algoritme priori dan
FP-Growth serta membandingkan hasil pola yang didapatkan oleh kedua algoritme . Data
yang digunakan telah dilakukan preprocessing dan melakukan pemilahan data berdasarkan
bulan, setelah itu baru kemudian melakukan kombinasi eksperimen. Eksperimen dilakukan
tujuh kali dalam data: Januari, Februari, Maret, April, Mei, Juni dan Juli.
Tabel 1 Retail online dataset
Bulan Januari Februari Maret April Mei Juni Juli
Jumlah transaksi 3.427 2.339 3.265 1.878 3.358 3.701 3.554
Percobaan dilakukan sebanyak 7 kali dengan menentukan nilai minimum support = 0.05,
nilai minimum confidence = 0.08 dan nilai lift = 6. Peroses percobaan dilakukan dengan
menggunakan bahasa pemrograman Python 3 dengan platform Jupyter. Sebagai contoh
pada tahap yang dilakukan akan dipaparkan langkahnya pada precobaan pertama yaitu
pada bulan Januari. Adapun tahap yang dilakukan adalah :
1. menginport library dan dataset,
2. membersihkan data,
3. memisahkan data sesuai dengan bulan transaksi,
4. pengkodean data, dan
5. membangun model dan menganalisis hasilnya.
Hasil dari analisis atau pembuatan rules pada item set menggunakan algoritme Apriori
ataupun FP-Growth dalam menemukan pola penjualan barang dapat dilihat pada Gambar 2
dan Gambar 3.
Gambar 2 Hasil algoritme Apriori data bulan januari
Dari hasil percobaan pertama dengan data transaksi penjualan pada bulan Januari sampai
percobaan ke tujuh dengan data pada masing-masing bulan dapat dilihat perbandingan hasil
pola item set atau rules yang dihasilkan oleh masing-masing algoritme dan waktu efisiensi
5. Harianto dan Eddy. H. 39
Gambar 3 Hasil algoritme FP-Growth data bulan januari
Tabel 2 Rules dan perbandingan efisiensi waktu algoritme Apriori dan FP- growth
Bulan
Jumlah rules support >=0.05 dan
waktu proses
Jumlah rules lift >= 6 dan confiden-
ce >= 0.08 dan waktu proses
apriori(rules-
detik)
FP-growth(rules-
detik)
apriori(rules-
detik)
FP-growth(rules-
detik)
Januari 5 - 0.0375 472 - 0.9009 6 - 0.0076 49 - 0.0234
Februari 5 - 0.0311 34 - 0.0338 4 - 0.0050 8 - 0.0069
Maret 5 - 0.4364 50 - 0.0363 11 - 0.0067 18 - 0.0068
April 5 - 0.0262 36 - 0.0292 0 - 0.0060 6 - 0.0050
Mei 5 - 0.0352 144 - 0.0463 3 - 0.0058 9 - 0.0089
Juni 5 - 0.1203 102 - 0.0803 19 - 0.0060 29 - 0.0069
yang dibutuhkan dalam memproses dan menampilkan hasil. Untuk lebih jelas hasilnya dapat
dilihat pada Table 2.
Jumlah rules dengan nilai support >= 0.05 jumlah rules yang didapatkan dari percobaan
pertama bulan januari sampai percobaan ke tujuh bulan Juli untuk algoritme Apriori adalah
30 rules atau 2%. Sedangkan rules yang didapatkan oleh algoritme FP-Growth adalah 1.176
rules atau 98%. Ini menandakan bahwa algoritme FP-Growth lebih banyak menghasilkan
pola pembelian atau item set dibandingkan dengan algoritme Apriori. Hasilnya bisa dilihat
pada Gambar 4.
Untuk perbandingan efisiensi waktu yang dibutuhkan untuk menghasilkan rules dalam
satuan detik jika dijumlahkan keseluruhan waktu pada tujuh percobaan, algoritme apriori
membutuhkan waktu 0.3357 detik atau 22% dan FP-Growth 1.2110 detik atau 78%. Artinya
algoritme Apriori membutuhkan waktu yang lebih sedikit untuk menampilkan hasil rules
sedangkan FP-Growth membutuhkan waktu yang lebih lama 0.8752 detik dibandingkan
algoritme Apriori. Perbandingan waktu efisiensi bisa dilihat pada Gambar 5.
Kemudian dilihat jumlah rules dengan nilai lift >= 6 dan nilai confidence >= 0.08 dan
waktu proses pada seluruh percobaan. Jika dibandingkan jumlah rules yang diperoleh oleh
kedua algoritme dari percobaan pada bulan januari sampai dengan bulan Juli, maka algoritme
Apriori memperoleh 57 rules atau 18% sedangkan algoritme FP-Growth memperoleh 256
rules atau 82%. Ini artinya dengan nilai lift >= 6 dan nilai confidence >= 0.08, algoritme
FP-Growth masih lebih unggul dibandingkan algoritme Apriori dalam menghasilkan pola
atau item set. Untuk lebih jelas bisa dilihat hasilnya pada Gambar 6.
Untuk perbandingan efisiensi waktu yang dibutuhkan untuk menghasilkan rules dalam
6. 40 Analisa data transaksi penjualan barang menggunakan algoritme Apriori dan FP-Growth
Gambar 4 Perbandingan rules dengan nilai support >=0.05
Gambar 5 Perbandingan rules dengan nilai support >=0.05
satuan detik jika dijumlahkan keseluruhan waktu pada tujuh percobaan, algoritme apriori
membutuhkan waktu 0.0424 detik atau 39% sedangkan algoritme FP-Growth 0.0650 detik
atau 61%. Artinya algoritme Apriori membutuhkan waktu yang lebih sedikit untuk me-
nampilkan hasil rules sedangkan FP-Growth membutuhkan waktu yang lebih lama 0.0226
detik dibandingkan algoritme Apriori. Pada penelitian sebelumnya[21], algoritme Apriori
membutuhkan waktu yang lebih lama dibandingkan algoritme FP-Growth. Perbandingan
waktu efisiensi bias dilihat pada Gambar 7
7. Harianto dan Eddy. H. 41
Gambar 6 Perbandingan rules dengan nilai support >=0.05
Gambar 7 Perbandingan rules dengan nilai support >=0.05
4 Kesimpulan dan saran
Hasil dari penelitian ini adalah menemukan perbedaan pola pembelian barang yang dilakukan
oleh pembeli berdasarkan bulan dengan menggunakan algoritme Apriori dan FP-Growth.
Algoritme FP-Growth pada tiap bulannya lebih banyak menampilkan pola yang dihasilkan
dibandingkan dengan Apriori. Untuk rules yang dihasilkan oleh algoritme Apriori masih
8. 42 PUSTAKA
lebih sedikit dibandingkan dengan FP-Growth sedangkan pada efisiensi waktu Apriori lebih
cepat atau membutuhkan waktu yang relatif sedikit dibandingkan dengan FP-Growth dalam
mengolah data dan menampilkan hasil.
Untuk meningkatkan hasil pola yang didapatkan dan untuk menyempurnakan hasil
penelitian yang telah dibuat ini, maka peneliti memberikan saran sebagai berikut :
1. menambah algoritme data mining yang digunakan untuk MBA untuk menemukan pola
item set yang lebih bervariasi.
2. Diharapkan untuk seleksi dataset per bulan menggunakan kode, karena pada penelitian
ini transaksi dipisahkan filenya berdasarkan bulan.
Pustaka
1 N. Isa, N. Kamaruzzaman, M. Ramlan, N. Mohamed, and M. Puteh, “Market basket
analysis of customer buying patterns at corm café,” International Journal of Engineering
& Technology, vol. 7, no. 4.42, pp. 119–123, 2018.
2 I. Surjandari and A. Seruni, “Design of product placement layout in retail shop using
market basket analysis,” Makara Journal of Technology, vol. 9, no. 2, pp. 43–47, 2010.
3 N. M. Kawale and D. Snehil, “Market basket analysis using apriori algorithm in r
language,” nternational Journal of Trend in Scientific Research and Development, vol. 2,
no. 4, pp. 2628–2633, 2018.
4 A. Valarmathi, M. Durga, and M. Fathima, “Market basket analysis for mobile showroom.”
International Journal for Research in Applied Science & Engineering Technology, vol. 5,
no. X, pp. 1279–1284, 2017.
5 M. Kaur and S. Kang, “Market basket analysis: Identify the changing trends of market
data using association rule mining,” Procedia computer science, vol. 85, pp. 78–85, 2016.
6 N. Maheshwari, N. K. Pandey, and P. Agarwal, “Market basket analysis using association
rule learning,” International Journal of Computer Applications, vol. 975, p. 8887, 2016.
7 A. Mansur and T. Kuncoro, “Product inventory predictions at small medium enterprise
using market basket analysis approach-neural networks,” Procedia Economics and Finance,
vol. 4, pp. 312–320, 2012.
8 A. Izang, U. Okoro, T. Olarewaju, T. Fasanu, and A. Adeyinka, “Automated market
basket analysis system,” International Journal of Computer Applications, vol. 180, no. 39.
9 K. S. Kumar and R. M. Chezian, “A survey on association rule mining using apriori
algorithm,” International Journal of Computer Applications, vol. 45, no. 5, pp. 47–50,
2012.
10 R. Gupta, A. Ratan, C. Rajesh, R. Chen, H. L. Kim, R. Burhans, W. Miller, S. Santhosh,
R. V. Davuluri, A. J. Butte et al., “Sequencing and analysis of a south asian-indian
personal genome,” BMC genomics, vol. 13, no. 1, p. 440, 2012.
11 P. Devi, M. Rao, A. Sigamani, A. Faruqui, M. Jose, R. Gupta, P. Kerkar, R. Jain,
R. Joshi, N. Chidambaram et al., “Prevalence, risk factors and awareness of hypertension
in india: a systematic review,” Journal of human hypertension, vol. 27, no. 5, pp. 281–287,
2013.
12 B. Patel, V. K. Chaudhari, R. K. Karan, and Y. Rana, “Optimization of association
rule mining apriori algorithm using aco,” International Journal of Soft Computing and
Engineering, vol. 1, no. 1, pp. 24–26, 2011.
13 S. S. Kumar, S. S. Karanth, K. Akshay, A. Prabhu, and B. M. Kumar, “Improved aprori
algorithm based on bottom up approach using probability and matrix,” International
Journal of Computer Science Issues (IJCSI), vol. 9, no. 2, p. 242, 2012.
9. PUSTAKA 43
14 F. Fatihatul, A. Setiawan, and R. Rosadi, “Asosiasi data mining menggunakan algoritma
fp-growth untuk market basket analysis,” Jatinangor Univ. Padjadjaran, pp. 1–8, 2011.
15 A. N. Sagin and B. Ayvaz, “Determination of association rules with market basket
analysis: Application in the retail sector,” Southeast Europe Journal of Soft Computing,
vol. 7, no. 1, 2018.
16 K. Tatiana and M. Mikhail, “Market basket analysis of heterogeneous data sources for
recommendation system improvement,” Procedia Computer Science, vol. 136, pp. 246–254,
2018.
17 S. F. Rodiyansyah, “Algoritma apriori untuk analisis keranjang belanja pada data
transaksi penjualan,” INFOTECH journal, vol. 1, no. 2, 2015.
18 G. K. ADALI and M. E. BALABAN, “A dynamic application of market basket analysis
with r and shiny in the electric materials sector,” Bilişim Teknolojileri Dergisi, vol. 12,
no. 2, pp. 93–102.
19 R. Fitria, W. Nengsih, and D. H. Qudsi, “Implementasi algoritma fp-growth dalam
penentuan pola hubungan kecelakaan lalu lintas,” Jurnal Sistem Informasi, vol. 13, no. 2,
pp. 118–124, 2017.