Hartini, Tri (2020) PENERAPAN DATA MINING MENGGUNAKAN ALGORITMA APRIORI UNTUK REKOMENDASI PROMOSI PRODUK (Studi Kasus: Dayspeed Computer). Strata 1 thesis, Universitas Teknokrat Indonesia.
Text (Pendahuluan)
b116311003.pdf - Published Version Download (74kB) |
|
Text (Daftar Pustaka)
daftar_pustaka16311003.pdf - Bibliography Download (129kB) |
|
Text (Abstrak)
abstrak16311003.pdf - Published Version Download (10kB) |
|
Text (Full Skripsi)
skripsi16311003.pdf - Published Version Restricted to Registered users only Download (2MB) | Request a copy |
Abstract
Algoritma Apriori adalah teknik data mining untuk menemukan aturan asosiatif antara suatu kombinasi item. Penelitian ini bertujuan untuk mencari frekuensi kombinasi barang yang banyak terjual sehingga dapat menentukan strategi penjualan dengan memberikan rekomendasi promosi produk yang akan disediakan perusahaan. Masalah yang dihadapi Dayspeed Computer adalah kurang memahami kebutuhan dan kebiasaan berbelanja pelanggan, sementara itu salah satu kebiasaan berbelanja pelanggan yang perlu diketahui adalah barang apa saja yang sering dibeli bersamaan. Untuk mengatasi permasalahan tersebut maka akan diterapkan data mining menggunakan Algoritma Apriori untuk menemukan kombinasi item yang sering dibeli bersamaan oleh pelanggan. Penelitian ini menerapkan minimal support 8% atau 9% dan minimal confidence 70% dengan akurasi 69% dan menghasilkan 12 rules produk yang sering dibeli bersamaan yang akan digunakan untuk memberikan rekomendasi promosi produk kepada perusahaan. Kata kunci : Algoritma Apriori, data mining, rekomendasi promosi, Penjualan, Rapidminer
Item Type: | Thesis (Strata 1) |
---|---|
Subjects: | SISTEM INFORMASI (S1) > Metode Komputer SISTEM INFORMASI (S1) > Metode Komputer |
Divisions: | Fakultas Teknik dan Ilmu Komputer > S1 Sistem Informasi |
Depositing User: | Asep Haikal Kurniawan S.IP., M.A |
Date Deposited: | 04 May 2021 03:02 |
Last Modified: | 04 May 2021 03:02 |
URI: | http://repository.teknokrat.ac.id/id/eprint/2946 |
Actions (login required)
View Item |